Graph Transformer (GT)는 기존 Graph Neural Network (GNN)보다 우수한 성능을 보이지만, self-attention 메커니즘의 한계로 저주파 신호만 효과적으로 포착하여 고주파 신호 등 중요한 정보를 놓칠 수 있습니다. 기존 GT 모델들은 이 문제를 일부 해결했지만, 고정된 그래프 스펙트럼 또는 스펙트럼 순서에 의존하여 유연성과 표현력이 제한적입니다. 본 논문에서는 학습 가능한 활성화 함수에 대한 푸리에 급수 모델링을 통해 적응적인 그래프 스펙트럼과 스펙트럼 순서를 갖는 고도로 표현력 있는 스펙트럼 필터를 학습하는 새로운 GT 모델인 Graph Fourier Kolmogorov-Arnold Transformer (GrokFormer)를 제안합니다. 이론적 및 실험적으로 GrokFormer 필터가 다른 스펙트럼 방법보다 우수한 표현력을 제공함을 보였으며, 10개의 실제 노드 분류 데이터셋과 5개의 그래프 분류 데이터셋에 대한 실험 결과, GrokFormer가 최첨단 GT 및 GNN을 능가하는 성능을 보임을 확인했습니다.
