本研究提出了一种新策略，将规则基础模型与可微分神经网络结合，显著提升了19个分子属性预测任务的性能。通过同时训练图变换器神经网络，利用稀疏的多任务实验目标和基于XGBoost模型的合成目标，实现了有效的合成任务增强，无需特征注入或预训练。

本研究提出了JTreeformer框架，旨在解决现有图变换器在分子图拓扑结构利用上的不足。该框架结合了图卷积网络和多头注意力机制，并引入了潜在空间中的扩散模型，显著提升了分子生成的效率和效果，为药物发现提供了新工具。

本研究提出了一种名为DegFairGT的新型图变换器，旨在解决图神经网络中的度偏差问题。该方法通过学习非相邻节点的结构相似性，增强低度节点在消息传递中的代表性，从而有效缓解高节点度的影响，提升多项任务的性能。

本研究提出了GFSE，一个通用图结构编码器，旨在解决不同图域间结构信息捕捉与转移的挑战。GFSE结合图变换器与自监督学习，能够有效捕捉复杂拓扑特征，并在85.6%的实验中表现出最先进的性能，展现了其在图数据处理中的潜力。

本研究提出了一种增强的图变换器风险感知任务规划框架，解决了大型语言模型在机器人任务规划中的安全性不足问题，显著提升了危险检测的准确性和任务适应性。

本研究提出了一种新方法GLTW，结合改进的图变换器与大型语言模型，提升知识图谱完成的准确性。实验结果显示，GLTW在多个数据集上超越了现有的基线模型。

本文提出了一种简单路径结构编码（SPSE）方法，解决了图变换器在处理图结构数据时无法有效区分不同局部图模式的问题。实验结果表明，SPSE在多个基准测试中优于随机游走结构编码（RWSE），尤其在分辨任务中表现显著提升。

本研究提出了一种新框架，结合图变换器架构与LLM增强的节点特征，以克服现有图学习方法在深层文本语义捕捉上的局限。通过利用LLM生成丰富的语义表示，显著提升了节点分类任务中的图学习模型性能，展示了图网络与语言模型结合的潜力。

本研究提出了一种图变换器框架，用于从稀疏表面测量重建空气动力学流场。该框架结合了消息传递神经网络的几何表达能力与变换器的全局推理能力，展现出优异的重建精度和推理速度，并对传感器覆盖率降低具有鲁棒性，显示出广泛的应用潜力。

该研究提出了一种新方法，将量子技术应用于自注意力机制，以改进图变换器在捕捉图结构归纳偏差方面的不足。GQWformer在图分类任务中显著优于现有算法，展示了量子计算与传统图神经网络结合的潜力。

本研究提出了一种新的图结构编码框架——基于同态计数的图案结构编码（MoSE），有效解决了图变换器的编码问题。MoSE在多种架构中优于其他编码方法，并在分子性质预测中取得了显著成果。

本文讨论了合成致死（SL）预测的最新进展，提出了一种基于多组学采样的SL预测图变换器（MSGT-SL），旨在克服图神经网络在信息传递中的局限性。研究表明，MSGT-SL在SL任务中表现优异，推动了对细胞分化和功能的理解，并在单细胞RNA测序数据分析中取得显著成果。

该论文提出了一种新颖的数据驱动模型，能够准确预测任意布局、偏航角配置和风况下所有风电场的发电量。该模型通过将风电场编码成全连接图，并通过图变换器处理图表示来实现。结果表明，该图变换器代理模型具有良好的泛化能力，并能发现风电场图表示中的潜在结构模式。演示了如何使用所得的代理模型通过遗传算法优化偏航角配置，实现与工业标准风电场模拟工具类似的准确性，但计算成本仅为一小部分。

该文介绍了一种基于姿势的轻量级方法GTRS，可从2D人类姿态重构人类网格。该方法利用图变换器和网格模板提高了模型效率和泛化性能，在数据集上评估表现优于SOTA方法。