实现泛化，强大，有规模的Graph Transformer

概述
该工作来自于：Recipe for a General, Powerful, Scalable Graph Transformer，Nips2022，名为GPS。Graph Transformer (GTs)已经在图表示学习领域取得了很多成果，GPS作为图表示学习的系统性方法，是一个模块化的框架，支持多种类型的编码方式，并且适用于不同规模的Graph。

GPS包含两个模块：

• embedding模块：用于将位置编码PE，结构编码SE，节点node，边edge，图graph的特征进行有效融合；
• processing模块：用于将局部消息传递（local message passing）和全局注意力机制（global attention）结合。

PE和SE
位置编码(PE)旨在提供图中给定节点在空间中的位置概念。因此，当一个图或子图中的两个节点彼此接近时，它们的PE也应该接近。

结构编码(SE)旨在提供图或子图的结构嵌入，以帮助提高图神经网络(GNN)的表达性和泛化性。因此，当两个节点共享相似的子图时，或者当两个图相似时，它们的SE也应该接近。

目前的研究工作中存在多种PE、SE方案，他们基本都可以归纳到local、global、relative三种类别。

• 表1：展示了位置编码(PE)和结构编码(SE)的分类。