图Transformer综述：架构、理论与应用

《ACM Computing Surveys》：A Survey of Graph Transformers: Architectures, Theories and Applications

　　

摘要AI 摘要

要查看此 AI 生成的摘要，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

图 Transformer（Graph Transformers, GTs）通过解决图神经网络（GNNs）的固有局限性，如过度平滑和过度压缩等问题，在建模图结构方面展现出强大的能力。近期研究提出了多样化的图 Transformer 架构、增强的可解释性以及实际应用。鉴于这些快速发展，我们对图 Transformer 进行了全面综述，涵盖其架构、理论基础和应用等方面。在本综述中，我们首先根据图 Transformer 处理结构信息的策略对其架构进行分类，包括图分词、位置编码、结构感知注意力机制和模型集成。然后，从理论角度，我们检验了图 Transformer 在各类讨论架构中的表达能力，并将其与其他先进的图学习算法进行对比，以发现它们之间的联系。在应用方面，我们围绕四种图组织形式——关系图、几何图、动态图和异构图——对文献进行了整理。随后，我们提供了一份实践指导表，根据各架构组件在这些图形式中的采用频率进行映射，以便实践者可以根据给定的输入结构缩小需要考虑的设计方案范围。最后，我们将讨论图 Transformer 当前面临的挑战和未来的研究方向。

AI 摘要

AI 生成摘要（实验性）

本摘要由自动化工具生成，未经本文作者撰写或审阅。本摘要旨在辅助发现、帮助读者评估相关性，并帮助相邻研究领域的读者理解本文内容。本摘要是对作者提供的摘要的补充，后者仍然是本文的主要摘要。完整论文仍然是权威版本记录。点击此处了解更多。

点击此处对本摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进和未来的重新生成版本。

要查看此 AI 生成的简明摘要，您需要拥有高级访问权限。