QUARTET：用于增强关系图上 Transformers 的四分支交叉注意力和随机游走轨迹

arXiv:2609.26855v1 公告类型：新 摘要：关系深度学习 (RDL) 将多表数据库建模为异构时间图，而图转换器目前在 RelBench 等基准测试中实现了最先进的性能。然而，当前领先的模型 RelGT 存在两个关键限制：其随机局部采样器产生松散连接的子图，阻碍消息传递，其全局注意力模块依赖于单一的、基于种子特征的内存，忽略了更广泛的宏观层面的动态。为了克服这些限制，我们引入了 QUARTET，这是一种富有表现力的图转换器架构，它在局部子图上应用完全的自注意力，同时通过交叉注意力分支丰富全局上下文。具体来说，QUARTET 采用基于新近截断的个性化 PageRank (PPR) 的因果随机游走 (CRW) 采样器来提取紧凑、集线器鲁棒且密集连接的局部子图，而不会出现时间泄漏。同时，四分支交叉注意力模块从四个互补的角度集成了全局上下文：种子特征、种子拓扑、时间动态和协作动态。在 RelBench v1 分类任务中，QUARTET 始终匹配或优于当前最先进的图形转换器基线（HGT 和 RelGT）。消融研究证实，CRW 采样器显着丰富了当地社区的质量，而全球分支提供了必要的、特定于任务的预测收益。