breadth attention的实现似乎是有些问题的，从语义上理解是有漏洞的。
将N个节点划分成多个对齐的patch，每个patch内的节点数是P，一共有R个patch，对每一个patch的P个节点之间进行attenion很好理解（对应论文中的depth attention），但是对对齐后的数据在R个patch间进行attention，按照现有的代码实现，实际上是在R个patch的index相同的点之间做了attention（index=0的R个点，index=1的R个点，以此类推），而且由于划分是固定的，所以实际上学到的是固定的一些点之间的关系，这可能和当时想要学到更宏观层面的区域级空间相关性不太一致？另外，这个方式训练出来的模型，可能会导致，即使对于相同的KD-Tree划分，但是使用不同的node排列（改变同一个patch内的node id排序），最后的测试结果有可能会有比较大的差异？
breadth attention的实现似乎是有些问题的，从语义上理解是有漏洞的。
将N个节点划分成多个对齐的patch，每个patch内的节点数是P，一共有R个patch，对每一个patch的P个节点之间进行attenion很好理解（对应论文中的depth attention），但是对对齐后的数据在R个patch间进行attention，按照现有的代码实现，实际上是在R个patch的index相同的点之间做了attention（index=0的R个点，index=1的R个点，以此类推），而且由于划分是固定的，所以实际上学到的是固定的一些点之间的关系，这可能和当时想要学到更宏观层面的区域级空间相关性不太一致？另外，这个方式训练出来的模型，可能会导致，即使对于相同的KD-Tree划分，但是使用不同的node排列（改变同一个patch内的node id排序），最后的测试结果有可能会有比较大的差异？