本文介绍了图神经网络（GNN）和图转换器的最新研究进展，包括Spectral Attention Network、Graphormer和Tokenized Graph Transformer等模型。这些模型通过改进位置编码和注意力机制，提升了图结构数据的表示学习能力，并在多个基准测试中表现优异。同时，研究探讨了图转换器在不同任务中的应用及其面临的挑战，如可扩展性和可解释性。

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。