图变换器（GTs）通过自注意力计算节点对，但忽略节点位置信息。为了解决这一限制，引入了一种创新且高效的框架，将位置编码（PEs）引入Transformer，生成一组可学习的位置编码，存在于非欧几里德域中的双曲空间。通过这种方法，可以探索用于特定下游任务的PEs的多种选择选项，利用双曲神经网络或双曲图卷积网络。此外，重新使用这些位置编码来减轻深层图神经网络（GNNs）中的过度平滑的影响。实验证实了双曲位置编码在提高深层GNN性能方面的有效性。

图变换器（GTs）通过自注意力计算节点对，但忽略节点位置信息。为了解决这一限制，引入了一种创新且高效的框架，将位置编码（PEs）引入Transformer，生成一组可学习的位置编码，存在于非欧几里德域中的双曲空间。通过这种方法，可以探索用于特定下游任务的PEs的多种选择选项，利用双曲神经网络或双曲图卷积网络。此外，重新使用这些位置编码来减轻深层图神经网络（GNNs）中的过度平滑的影响。实验证实了双曲位置编码在提高深层GNN性能方面的有效性。