論文の概要: Relational Deep Learning: Graph Representation Learning on Relational Databases

• arxiv url: http://arxiv.org/abs/2312.04615v1
• Date: Thu, 7 Dec 2023 18:51:41 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-11 17:28:18.300776
• Title: Relational Deep Learning: Graph Representation Learning on Relational Databases
• Title（参考訳）: リレーショナルディープラーニング:リレーショナルデータベース上でのグラフ表現学習
• Authors: Matthias Fey, Weihua Hu, Kexin Huang, Jan Eric Lenssen, Rishabh Ranjan, Joshua Robinson, Rex Ying, Jiaxuan You, Jure Leskovec
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 69.7008152388055
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Much of the world's most valued data is stored in relational databases and data warehouses, where the data is organized into many tables connected by primary-foreign key relations. However, building machine learning models using this data is both challenging and time consuming. The core problem is that no machine learning method is capable of learning on multiple tables interconnected by primary-foreign key relations. Current methods can only learn from a single table, so the data must first be manually joined and aggregated into a single training table, the process known as feature engineering. Feature engineering is slow, error prone and leads to suboptimal models. Here we introduce an end-to-end deep representation learning approach to directly learn on data laid out across multiple tables. We name our approach Relational Deep Learning (RDL). The core idea is to view relational databases as a temporal, heterogeneous graph, with a node for each row in each table, and edges specified by primary-foreign key links. Message Passing Graph Neural Networks can then automatically learn across the graph to extract representations that leverage all input data, without any manual feature engineering. Relational Deep Learning leads to more accurate models that can be built much faster. To facilitate research in this area, we develop RelBench, a set of benchmark datasets and an implementation of Relational Deep Learning. The data covers a wide spectrum, from discussions on Stack Exchange to book reviews on the Amazon Product Catalog. Overall, we define a new research area that generalizes graph machine learning and broadens its applicability to a wide set of AI use cases.
• Abstract（参考訳）: 世界で最も価値の高いデータはリレーショナルデータベースやデータウェアハウスに格納され、そこではデータは一次外部のキー関係によって接続された多くのテーブルに整理される。 しかし、このデータを使って機械学習モデルを構築することは困難かつ時間を要する。 中心となる問題は、プライマリ・フォアグンキーリレーションによって相互接続された複数のテーブル上で機械学習方法が学習できないことである。 現在のメソッドは単一のテーブルからのみ学習できるので、まずデータを手動で結合し、単一のトレーニングテーブルに集約する必要があります。 機能エンジニアリングは遅く、エラーが多く、最適以下のモデルにつながる。 ここでは、複数のテーブルに配置されたデータを直接学習するエンドツーエンドの深層表現学習手法を紹介する。 我々はRDL(Relational Deep Learning)と呼ぶ。 中心となる考え方は、リレーショナルデータベースを、各テーブルの各行のノードと、プライマリ外部キーリンクによって指定されたエッジを備えた、一時的で異質なグラフとして見ることである。 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、手動の機能エンジニアリングなしですべての入力データを活用する表現を抽出する。 リレーショナルディープラーニングは、はるかに高速に構築可能な、より正確なモデルにつながる。 この領域の研究を容易にするために,ベンチマークデータセットのセットと関係深層学習の実装であるRelBenchを開発した。 データはStack Exchangeに関する議論から、Amazon Product Catalogに関する書籍レビューまで、幅広い範囲をカバーする。 全体として、グラフ機械学習を一般化し、幅広いAIユースケースに適用性を広げる新しい研究領域を定義します。

関連論文リスト

• RelBench: A Benchmark for Deep Learning on Relational Databases [78.52438155603781]
  本稿では,グラフニューラルネットワークを用いたデータベース上でタスクを解くための公開ベンチマークであるRelBenchを紹介する。 私たちはRelBenchを使って、ディープラーニングインフラストラクチャに関する初の総合的な研究を行っています。 RDLは、人間の作業量を1桁以上削減しながら、より良く学習する。
  論文  参考訳（メタデータ） (2024-07-29T14:46:13Z)
• GFS: Graph-based Feature Synthesis for Prediction over Relational Databases [39.975491511390985]
  グラフベース特徴合成(GFS)と呼ばれる新しいフレームワークを提案する。 GFSは関係データベースを異種グラフデータベースとして定式化する。 4つの実世界のマルチテーブルリレーショナルデータベースに対する実験では、GFSはリレーショナルデータベース用に設計された従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-12-04T16:54:40Z)
• Graph Neural Network contextual embedding for Deep Learning on Tabular Data [0.45880283710344055]
  ディープラーニング(DL)は、自然言語処理のような人間のスキルに関連する分野において、AIにとって大きなブレークスルーとなっている。 本稿では,グラフニューラルネットワーク(GNN)を用いた新しいDLモデル,特にインタラクションネットワーク(IN)を提案する。 この結果は、最近発表された5つの公開データセットに基づいたDLベンチマークによる調査よりも優れており、増木ソリューションと比較しても競争力のある結果が得られている。
  論文  参考訳（メタデータ） (2023-03-11T17:13:24Z)
• ViRel: Unsupervised Visual Relations Discovery with Graph-level Analogy [65.5580334698777]
  ViRelは、グラフレベルのアナロジーを用いた視覚関係の教師なし発見と学習のための方法である。 本研究では,関係分類において95%以上の精度を達成できることを示す。 さらに、より複雑な関係構造を持つ未確認タスクに一般化する。
  論文  参考訳（メタデータ） (2022-07-04T16:56:45Z)
• Deep Transfer Learning for Multi-source Entity Linkage via Domain Adaptation [63.24594955429465]
  マルチソースエンティティリンクは、データのクリーニングやユーザ縫合といった、高インパクトなアプリケーションにおいて重要である。 AdaMELは、多ソースエンティティリンクを実行するための一般的なハイレベルな知識を学ぶディープトランスファー学習フレームワークである。 本フレームワークは,教師付き学習に基づく平均的手法よりも8.21%向上した最先端の学習結果を実現する。
  論文  参考訳（メタデータ） (2021-10-27T15:20:41Z)
• HRKD: Hierarchical Relational Knowledge Distillation for Cross-domain Language Model Compression [53.90578309960526]
  大規模事前学習言語モデル(PLM)は、従来のニューラルネットワーク手法と比較して圧倒的な性能を示している。 階層的および領域的関係情報の両方を抽出する階層的関係知識蒸留法(HRKD)を提案する。
  論文  参考訳（メタデータ） (2021-10-16T11:23:02Z)
• A Lightweight Algorithm to Uncover Deep Relationships in Data Tables [16.829302261959924]
  専門家やドメインの知識を使わずに、単一のデータテーブルで深い関係を明らかにする自動化手法を開発した。 提案手法では,データテーブルを小さなテーブルの層に分解し,その深い構造を明らかにする。 私たちのソリューションでは、新しいデータセットを探索するときに、データサイエンティストが自動的に生成されたデータ駆動の洞察を提供する。
  論文  参考訳（メタデータ） (2020-09-07T18:25:15Z)
• 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)

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。