本研究提出三种简单的修改，使普通变换器在图学习中有效应用，显著提升多种图数据集的性能，并在图同构性测试中表现优异。

本文提出了一种预训练策略和自监督方法，用于图数据集，通过预训练GNN来提高下游任务的泛化性能。研究结果表明，在多个图分类数据集上，该方法在分子性质预测和蛋白质功能预测方面取得了最先进的性能。

本研究提出了一种新的方法，通过识别并去除不相关的程序部分，利用残余程序进行推理，提升了推理速度，尤其在图数据集上。实验结果显示其潜在的应用价值。

该文章评估了使用20个不同的图数据集和16个不同的GSL算法构建的全面图结构学习基准系统的性能，并评估了前沿的GSL算法在节点级和图级任务中的表现。同时，提供了可视化方法进行训练、评估和可视化不同的GSL方法。