关系深度学习（RDL）将多表数据库建模为异构时序图，图 Transformer 已在 RelBench 等基准上取得领先。现有的主流模型 RelGT 存在两大缺陷：随机局部采样产生的子图连接稀疏，阻碍信息传播；全局注意力仅依赖单一基于种子特征的记忆，忽视宏观动态。为此我们提出 QUARTET，一种在局部子图上执行完整自注意力、并通过四条交叉注意力分支丰富全局上下文的图 Transformer。QUARTET 使用因果随机游走（CRW）采样器，基于最近截断的 Personalized PageRank（PPR）生成紧凑、对枢纽鲁棒且高密度的局部子图，避免时间泄漏。同时，四分支交叉注意力分别从种子特征、种子拓扑、时间演化和协同演化四个互补视角注入全局信息。实验在 RelBench v1 分类任务上显示，QUARTET 稳定匹配或超越 HGT、RelGT 等最先进的图 Transformer 基线。消融实验表明，CRW 采样显著提升局部邻域质量，四条全局分支提供关键的任务特定预测增益。
点评：QUARTET 通过高质量局部采样和多视角全局交叉注意力，成功弥补了 RelGT 的结构性不足，在实际基准上实现了显著的性能提升，展示了在异构时序图上设计更细粒度注意力机制的潜力。