一家银行出问题，风险可能像漏水一样沿不同管道扩散：有时源于资产和财务结构相似，有时来自流动性同步收紧，也可能由一国的宏观冲击传给本国银行。论文提出 Temporal Heterogeneous Multiplex Graph Neural Network，把银行体系画成随季度变化的多层网络——不同关系分层保留，避免揉成一张含义混杂的图。
模型让图神经网络（GNN，即让每家银行参考相邻机构的状态）读取银行基本面、CDS 利差和宏观指标，再用 GRU（带“记忆”的神经网络）追踪风险如何积累或消退。最值得注意的是可学习的融合门：它会随时间调整财务相似性、流动性共振和国家—银行联系三条渠道的权重。作者称，该框架预测银行 CDS 利差短期变化时优于传统计量、机器学习和图模型基准，还能借助压力测试与连边扰动追踪传染路径；但所给材料未披露具体提升幅度。