研究发现三种经典的图神经网络模型在多样化数据集中的性能超过了图转换器。研究还探讨了配置对节点分类性能的影响，旨在提高图机器学习领域的实证功效。

本研究使用可扩展的图转换器（GT）框架进行大规模图的表示学习，通过快速采样技术和局部注意机制解决了全局注意机制的计算复杂性问题。在三个节点分类基准测试中，验证了LargeGT框架，取得了3倍加速和16.8％性能提升。

Gophormer模型基于ego-graphs和transformer，解决了节点分类任务中的规模问题。通过邻域采样和proximity-enhanced attention机制，捕捉节点间的结构偏差。通过一致性规则和多样本推理策略稳定训练和测试。实验结果显示Gophormer超越了现有的图转换器和GNN，展示了图转换器的未来发展前景。