본 논문은 그래프 신경망 및 그래프 트랜스포머와 같은 그래프 심층 학습 프레임워크의 표현력에 의존하는 정확한 예측에서 위치 인코딩 메커니즘의 중요성을 강조하며, 기존 위치 인코딩의 세 가지 한계점(고정된 사전 정의 함수 사용, 구조 정보만 고려, 대규모 데이터에 대한 계산 비용)을 지적합니다. 이에 효율적이고 효과적인 학습 가능한 시공간 위치 인코딩을 개발하고, 간단한 시간적 링크 예측 모델인 L-STEP을 제안합니다. L-STEP은 시공간 스펙트럼 관점에서 그래프 특성을 보존하고, MLP를 사용하여 트랜스포머 성능에 도달하며, 다양한 초기 위치 인코딩 입력에 대한 강건성을 보이고, 이론적 복잡도 분석을 통해 기존 최고 성능 모델보다 빠른 실행 시간을 달성하며, 13개의 기존 데이터셋과 10개의 알고리즘을 사용한 실험에서 우수한 성능을 보입니다. 또한, 최신 대규모 TGB 벤치마크에서도 최고 성능을 달성합니다. 소스 코드는 GitHub에서 공개됩니다.
