QUARTET to nowa architektura transformera grafowego zaprojektowana specjalnie do pracy z relacyjnymi głębokim uczeniem na wielotabelowych bazach danych. Problem polegał na tym, że dotychczasowy lider RelGT miał dwie poważne słabości: jego losowy lokalny sampler tworzył luźno połączone podgrafy utrudniające propagację wiadomości, a moduł globalnej uwagi polegał na jednym, opartym na cechach seed'a zasobniku pamięci, który ignorował szerszą dynamikę na poziomie makro.
ROZWIĄZANIE polega na dwóch innowacjach. Po pierwsze, Causal Random Walk sampler oparty na obciętym czasowo Personalized PageRank wydobywa kompaktne, odporne na huby i gęsto połączone podgrafy lokalne bez wycieku informacji czasowych. Po drugie, czterogałęziowy moduł cross-attention integruje kontekst globalny z czterech uzupełniających się perspektyw: cechy seed'a, topologia seed'a, dynamika czasowa i dynamika kolaboracyjna, zapewniając bogatszy obraz danych.
Wyniki na benchmarku RelBench v1 pokazują, że QUARTET konsekwentnie dorównuje lub przewyższa bazowe transformery grafowe - HGT i RelGT. Badania ablacyjne potwierdzają, że sampler CRW znacznie wzbogaca jakość sąsiedztwa lokalnego, podczas gdy cztery gałęzie globalne dostarczają niezbędne, specyficzne dla zadania przyrosty predykcyjne.