우리는 그래프 세트 (sets of graphs) 상에서 학습하기 위한 신경망 아키텍처인 Graph Set Transformer (GST)를 소개합니다. 이는 개별 요소의 예측이 국소적 구조 (local structure)뿐만 아니라 세트 전체의 문맥 (set-wide context)에 의존하는 작업들을 위해 설계되었습니다. DeepSets 및 SetTransformer를 포함한 기존 아키텍처들은 별도의 GNN으로부터 사전 인코딩된 그래프 임베딩 (graph embeddings)을 필요로 하며, 이는 특징 추출 (feature extraction)과 세트 수준의 문맥화 (set-level contextualisation) 사이에 병목 현상을 발생시킵니다. 이와 대조적으로, GST는 매 레이어마다 노드 수준의 특징 전파 (node-level feature propagation)와 그래프 간 문맥 모델링 (cross-graph contextual modelling)을 교차하여 수행하며, 게이팅 메커니즘 (gating mechanism)을 통해 이 두 수준의 정보를 융합합니다. 우리는 세트 조건부 구조적 추론 (set-conditional structural reasoning)을 분리하도록 설계된 통제된 합성 데이터 세트 (synthetic suite)와 원자별 반응 중심 식별 (per-atom reaction-centre identification), 반응 수율 예측 (reaction yield prediction), 이미지 분류 (image classification)를 아우르는 세 가지 실제 데이터 벤치마크에서 GST를 평가합니다. 동일한 파라미터 예산 (parameter budgets) 하에서, GST는 이러한 설정 전반에 걸쳐 베이스라인 (baselines)보다 더 나은 성능을 보입니다. 아키텍처 절제 연구 (architectural ablation) 결과는 국소적 문맥과 세트 문맥의 교차 수행이 이러한 이점에 크게 기여함을 강력하게 시사합니다.