SigGate-GT：通过 Sigmoid 门控注意力驳除图变换器中的过平滑问题

图变换器在分子任务与长程推理任务上取得优异成绩，但仍受过平滑（节点表示随深度逐渐崩塌）及注意力熵退化的困扰。我们观察到，这类病态现象与大型语言模型中的注意力陷阱共享根本原因：softmax 注意力的逼和约束迫使每个节点必须 attend 到某处，即便无效信号也不例外。灵感来源于最近发现的元素级 sigmoid 门控可消除大型语言模型中的注意力陷阱，我们提出 SigGate-GT，一种在 GraphGPS 框架下对注意力输出施加可学习的逐头 sigmoid 门控的图变换器。每个门控可将激活压制至零，使注意力头能够选择性地静默无效连接。在五个标准基准测试中，SigGate-GT 在 ZINC（0.059 MAE）上与先前最佳结果持平，并在 ogbg-molhiv（82.47\% ROC-AUC）上刷新最新纪录，$p < 0.05$ 的统计显著性优于 GraphGPS。消融实验表明，门控机制将过平滑降低 30\%（在 4-16 层间的平均相对 MAD 提升），提升注意力熵，扩大学习率范围的稳定性，可在 $10\times$ 学习率下保持稳定训练，仅增加约 1\% 参数开销。