图神经网络（GNN）在图结构数据上表现出色，但普遍存在两个弱点：消息传递在同质假设下相当于低通滤波，导致在异质图上效果差；堆叠层数会使节点特征趋于常数，出现过平滑。现有方法多单独解决，少数联合方案依赖经验启发，且往往牺牲表达能力。
本文提出 CTQW‑GNN，基于连续时间量子游走（CTQW），在理论上同时缓解上述问题。CTQW 的传播子 $e^{-\mathrm{i}Ht}$ 具备两个关键性质：单位酉性使特征的频谱保持在单位圆上，不会衰减，从而抵消低通偏置；酉性保持特征范数，使 Dirichlet 能量随深度不指数衰减，减轻过平滑。
CTQW‑GNN 由三种聚合模块组成：CTQW‑based Aggregation 通过酉传播演化特征，保留中高频信号并防止能量崩塌；CTQW‑Attention Aggregation 根据 CTQW 振幅构建多跳邻居图并施加注意力，捕获单跳难以到达的同质节点；LF Aggregation 引入传统低通 GAT 分支，在同质图上提供强性能。我们进一步给出谱隙分析解释能量保持，并给出 Lieb‑Robinson 型界限，为走时 $t$ 的选择提供原则。
博主点评：CTQW‑GNN 将量子动力学的酉特性巧妙引入 GNN，兼顾异质与同质图的表现，理论与实验并重，是图学习领域值得关注的新方向。