論文の概要: Relational Deep Learning: Challenges, Foundations and Next-Generation Architectures

• arxiv url: http://arxiv.org/abs/2506.16654v1
• Date: Thu, 19 Jun 2025 23:51:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.292265
• Title: Relational Deep Learning: Challenges, Foundations and Next-Generation Architectures
• Title（参考訳）: リレーショナルディープラーニング - 課題,基礎,次世代アーキテクチャ
• Authors: Vijay Prakash Dwivedi, Charilaos Kanatsoulis, Shenyang Huang, Jure Leskovec,
• Abstract要約: グラフ機械学習は、任意のグラフ構造化データで学習するモデルの能力を大幅に向上させた。 従来の工学的特徴を伴わない'関係エンティティグラフ'のエンドツーエンド表現を可能にする新しい青写真を提案する。 本稿では、大規模マルチテーブル統合や、時間力学と異種データのモデリングの複雑さなど、重要な課題について論じる。
• 参考スコア（独自算出の注目度）: 50.46688111973999
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph machine learning has led to a significant increase in the capabilities of models that learn on arbitrary graph-structured data and has been applied to molecules, social networks, recommendation systems, and transportation, among other domains. Data in multi-tabular relational databases can also be constructed as 'relational entity graphs' for Relational Deep Learning (RDL) - a new blueprint that enables end-to-end representation learning without traditional feature engineering. Compared to arbitrary graph-structured data, relational entity graphs have key properties: (i) their structure is defined by primary-foreign key relationships between entities in different tables, (ii) the structural connectivity is a function of the relational schema defining a database, and (iii) the graph connectivity is temporal and heterogeneous in nature. In this paper, we provide a comprehensive review of RDL by first introducing the representation of relational databases as relational entity graphs, and then reviewing public benchmark datasets that have been used to develop and evaluate recent GNN-based RDL models. We discuss key challenges including large-scale multi-table integration and the complexities of modeling temporal dynamics and heterogeneous data, while also surveying foundational neural network methods and recent architectural advances specialized for relational entity graphs. Finally, we explore opportunities to unify these distinct modeling challenges, highlighting how RDL converges multiple sub-fields in graph machine learning towards the design of foundation models that can transform the processing of relational data.
• Abstract（参考訳）: グラフ機械学習は、任意のグラフ構造化データに基づいて学習し、分子、ソーシャルネットワーク、レコメンデーションシステム、輸送などに適用されるモデルの性能を大幅に向上させた。 RDL(Relational Deep Learning)は、従来の機能エンジニアリングなしでエンドツーエンドの表現学習を可能にする新しい青写真である。 任意のグラフ構造データと比較すると、リレーショナルエンティティグラフは重要な特性を持つ。 (i)それらの構造は、異なるテーブル内のエンティティ間の一次外部キー関係によって定義される。 (ii)構造接続は、データベースを定義する関係スキーマの関数であり、 3) グラフ接続は時間的かつ本質的に不均一である。 本稿では、リレーショナルエンティティグラフとしてリレーショナルデータベースの表現を導入し、その後、最近のGNNベースのRDLモデルの開発と評価に使われている公開ベンチマークデータセットをレビューすることで、RDLの包括的なレビューを行う。 大規模マルチテーブル統合や時間的ダイナミクスや異種データのモデリングの複雑さなど,重要な課題について論じるとともに,基礎的ニューラルネットワーク手法やリレーショナルエンティティグラフに特化した最近のアーキテクチャの進歩についても検討する。 最後に、これらの異なるモデリング課題を統一する機会を探り、リレーショナルデータの処理を変換できる基礎モデルの設計に向けて、RDLがグラフ機械学習における複数のサブフィールドをどのように収束させるかを強調した。

関連論文リスト

• RelDiff: Relational Data Generative Modeling with Graph-Based Diffusion Models [83.6013616017646]
  RelDiffは、外部キーグラフ構造を明示的にモデル化することによって完全な関係データベースを合成する新しい拡散生成モデルである。 RelDiffは、現実的で一貫性のある合成リレーショナルデータベースの作成において、従来手法よりも一貫して優れている。
  論文  参考訳（メタデータ） (2025-05-31T21:01:02Z)
• Graph Conditional Flow Matching for Relational Data Generation [0.8823131482758475]
  本稿では,外部キー関係によって生成されたグラフから関係データセットの内容を生成する関係データ生成モデルを提案する。 我々は、フローマッチングにより、関係データベース全体の内容の深い生成モデルを学ぶことによって、これを行う。 我々の方法は、複雑な構造を持つ関係データセットをサポートでき、各レコードの生成は、同じ接続されたコンポーネント内の他のレコードの影響を受けられるので、柔軟である。
  論文  参考訳（メタデータ） (2025-05-21T15:45:15Z)
• Relation-Aware Graph Foundation Model [21.86954503656643]
  グラフ基礎モデル (GFMs) がグラフ学習において有望な方向として登場した。 明示的なトークン表現に依存する言語モデルとは異なり、グラフは一般化のための明確に定義された単位を持たない。 GFMの基本単位として関係トークンを利用する新しいフレームワークREEFを提案する。
  論文  参考訳（メタデータ） (2025-05-17T14:34:41Z)
• Relational Graph Transformer [44.56132732108148]
  Graph Transformer (Relel) はリレーショナルテーブル用に設計された最初のグラフトランスである。 Relelは、各ノードを5つのコンポーネントに分解する、新しい多要素トークン化戦略を採用している。 我々のアーキテクチャは、サンプル化されたサブグラフに対する局所的な注意と、学習可能なセントロイドに対するグローバルな注意を組み合わせる。
  論文  参考訳（メタデータ） (2025-05-16T07:51:58Z)
• Advanced RAG Models with Graph Structures: Optimizing Complex Knowledge Reasoning and Text Generation [7.3491970177535]
  本研究では,グラフニューラルネットワーク(GNN)を組み合わせたグラフ構造データ処理手法を提案する。 この結果から,本論文で提案するグラフベースRAGモデルは,品質,知識の整合性,推論能力の点で従来の世代モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-11-06T00:23:55Z)
• 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)

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。