論文の概要: Towards Foundation Models for Relational Databases [Vision Paper]

• arxiv url: http://arxiv.org/abs/2305.15321v1
• Date: Wed, 24 May 2023 16:37:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-25 14:22:13.507048
• Title: Towards Foundation Models for Relational Databases [Vision Paper]
• Title（参考訳）: 関係データベースの基礎モデルに向けて [ビジョンペーパー]
• Authors: Liane Vogel, Benjamin Hilprecht, Carsten Binnig
• Abstract要約: 関係表現学習のビジョンは、完全な関係構造から学習できるだけでなく、より大きなデータベースサイズまで拡張できる。 全体として、この方向は、現在テキストや画像でしか利用できないリレーショナルデータベースの基盤モデルに繋がる可能性があると論じる。
• 参考スコア（独自算出の注目度）: 15.800326697562841
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tabular representation learning has recently gained a lot of attention. However, existing approaches only learn a representation from a single table, and thus ignore the potential to learn from the full structure of relational databases, including neighboring tables that can contain important information for a contextualized representation. Moreover, current models are significantly limited in scale, which prevents that they learn from large databases. In this paper, we thus introduce our vision of relational representation learning, that can not only learn from the full relational structure, but also can scale to larger database sizes that are commonly found in real-world. Moreover, we also discuss opportunities and challenges we see along the way to enable this vision and present initial very promising results. Overall, we argue that this direction can lead to foundation models for relational databases that are today only available for text and images.
• Abstract（参考訳）: タブラル表現学習は近年多くの注目を集めている。 しかし、既存のアプローチは単一のテーブルからのみ表現を学習するため、コンテキスト化された表現の重要な情報を含む近隣のテーブルを含む関係データベースの完全な構造から学習する可能性を無視している。 さらに、現在のモデルはスケールが著しく制限されており、大規模なデータベースから学ぶことを妨げる。 本稿では,完全な関係構造から学べるだけでなく,現実世界で一般的に見られるより大きなデータベースサイズにまでスケールできる関係表現学習のビジョンを紹介する。 さらに,このビジョンを実現する上での機会と課題についても議論し,最初の非常に有望な成果を提示する。 全体として、この方向は、現在テキストや画像でしか利用できないリレーショナルデータベースの基礎モデルにつながる可能性があると論じる。

関連論文リスト

• Deep Learning within Tabular Data: Foundations, Challenges, Advances and Future Directions [4.795774784702568]
  タブラルデータはまだ、さまざまな現実世界のアプリケーションで広く使われているデータタイプのひとつだ。 しかし、この領域の効果的な表現学習は、不規則なパターン、不均一な特徴分布、複雑なカラム間の依存関係など、ユニークな課題を生んでいる。
  論文  参考訳（メタデータ） (2025-01-07T05:23:36Z)
• Knowledge-Aware Reasoning over Multimodal Semi-structured Tables [85.24395216111462]
  本研究では、現在のAIモデルがマルチモーダルな構造化データに基づいて知識を考慮した推論を行うことができるかどうかを検討する。 この目的のために設計された新しいデータセットであるMMTabQAを紹介する。 我々の実験は、複数のテキストと画像の入力を効果的に統合し解釈する上で、現在のAIモデルに対する重大な課題を浮き彫りにしている。
  論文  参考訳（メタデータ） (2024-08-25T15:17:43Z)
• Relational Deep Learning: Graph Representation Learning on Relational Databases [69.7008152388055]
  複数のテーブルにまたがって配置されたデータを学ぶために、エンドツーエンドの表現アプローチを導入する。 メッセージパッシンググラフニューラルネットワークは、自動的にグラフを学習して、すべてのデータ入力を活用する表現を抽出する。
  論文  参考訳（メタデータ） (2023-12-07T18:51:41Z)
• Serving Deep Learning Model in Relational Databases [70.53282490832189]
  リレーショナルデータ上での深層学習(DL)モデルの実現は、様々な商業分野や科学分野において重要な要件となっている。 最先端のDL中心アーキテクチャは、DL計算を専用のDLフレームワークにオフロードします。 UDF中心アーキテクチャの可能性は、リレーショナルデータベース管理システム(RDBMS)内の1つ以上のテンソル計算をユーザ定義関数(UDF)にカプセル化する。
  論文  参考訳（メタデータ） (2023-10-07T06:01:35Z)
• Learning Representations without Compositional Assumptions [79.12273403390311]
  本稿では,特徴集合をグラフノードとして表現し,それらの関係を学習可能なエッジとして表現することで,特徴集合の依存関係を学習するデータ駆動型アプローチを提案する。 また,複数のビューから情報を動的に集約するために,より小さな潜在グラフを学習する新しい階層グラフオートエンコーダLEGATOを導入する。
  論文  参考訳（メタデータ） (2023-05-31T10:36:10Z)
• Representing Knowledge by Spans: A Knowledge-Enhanced Model for Information Extraction [7.077412533545456]
  本稿では,エンティティとリレーションの両方の表現を同時に学習する事前学習モデルを提案する。 スパンをスパンモジュールで効率的に符号化することで、私たちのモデルはエンティティとそれらの関係を表現できますが、既存のモデルよりもパラメータが少なくなります。
  論文  参考訳（メタデータ） (2022-08-20T07:32:25Z)
• Causal Reasoning Meets Visual Representation Learning: A Prospective Study [117.08431221482638]
  解釈可能性の欠如、堅牢性、分布外一般化が、既存の視覚モデルの課題となっている。 人間レベルのエージェントの強い推論能力にインスパイアされた近年では、因果推論パラダイムの開発に多大な努力が注がれている。 本稿では,この新興分野を包括的に概観し,注目し,議論を奨励し,新たな因果推論手法の開発の急激さを先導することを目的とする。
  論文  参考訳（メタデータ） (2022-04-26T02:22:28Z)
• BERT Meets Relational DB: Contextual Representations of Relational Databases [4.029818252558553]
  複数のテーブルからなる関係データベース上でエンティティの低次元表現を学習する問題に対処する。 これらの注意に基づくモデルを使用して、リレーショナルデータベース内のエンティティの埋め込みを学ぶ方法を検討します。
  論文  参考訳（メタデータ） (2021-04-30T11:23:26Z)
• Relation-Guided Representation Learning [53.60351496449232]
  本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。 私たちのフレームワークは、サンプル間の関係をよく保存します。 サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-11T10:57:45Z)
• On Embeddings in Relational Databases [11.52782249184251]
  低次元埋め込みを用いた関係データベースにおけるエンティティの分散表現学習の問題に対処する。 近年の埋め込み学習法は,すべてのテーブルの完全結合をリレーショナル化し,知識グラフとして表すことにより,データベースの完全非正規化を考慮に入れたナイーブな手法である。 本稿では,テーブル内の列の基本的なセマンティクスを利用して表現を学習する上で,関係結合と潜時関係を用いて,より優れた方法論を実証する。
  論文  参考訳（メタデータ） (2020-05-13T17:21:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。