論文の概要: Graph-Based Feature Augmentation for Predictive Tasks on Relational Datasets

• arxiv url: http://arxiv.org/abs/2508.20986v1
• Date: Thu, 28 Aug 2025 16:44:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 18:12:02.517825
• Title: Graph-Based Feature Augmentation for Predictive Tasks on Relational Datasets
• Title（参考訳）: 関係データセットの予測課題に対するグラフベース機能拡張
• Authors: Lianpeng Qiao, Ziqi Cao, Kaiyu Feng, Ye Yuan, Guoren Wang,
• Abstract要約: 本稿では,エンドツーエンドの自動機能拡張フレームワークReCoGNNを提案する。 予測タスクをサポートするために、複数のリレーショナルテーブルから抽出された機能を使用して、初期データセットを拡張する。 ReCoGNNは、分類タスクと回帰タスクの両方において、既存のメソッドを一貫して上回っている。
• 参考スコア（独自算出の注目度）: 28.942521393654985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data has become a foundational asset driving innovation across domains such as finance, healthcare, and e-commerce. In these areas, predictive modeling over relational tables is commonly employed, with increasing emphasis on reducing manual effort through automated machine learning (AutoML) techniques. This raises an interesting question: can feature augmentation itself be automated and identify and utilize task-related relational signals? To address this challenge, we propose an end-to-end automated feature augmentation framework, ReCoGNN, which enhances initial datasets using features extracted from multiple relational tables to support predictive tasks. ReCoGNN first captures semantic dependencies within each table by modeling intra-table attribute relationships, enabling it to partition tables into structured, semantically coherent segments. It then constructs a heterogeneous weighted graph that represents inter-row relationships across all segments. Finally, ReCoGNN leverages message-passing graph neural networks to propagate information through the graph, guiding feature selection and augmenting the original dataset. Extensive experiments conducted on ten real-life and synthetic datasets demonstrate that ReCoGNN consistently outperforms existing methods on both classification and regression tasks.
• Abstract（参考訳）: データは金融、医療、電子商取引といった分野にまたがってイノベーションを推進している基礎的な資産となっている。 これらの領域では、リレーショナルテーブル上の予測モデリングが一般的であり、自動機械学習(AutoML)技術による手作業の削減に重点が置かれている。 機能拡張自体が自動化され、タスク関連のリレーショナル信号が識別され、利用されるのか? この課題に対処するために、複数のリレーショナルテーブルから抽出した特徴を用いて初期データセットを拡張し、予測タスクをサポートするエンドツーエンドの自動機能拡張フレームワークReCoGNNを提案する。 ReCoGNNはテーブル内の属性関係をモデル化することで、まず各テーブル内のセマンティック依存関係をキャプチャし、テーブルを構造化され、セマンティックに一貫性のあるセグメントに分割する。 その後、全セグメントにわたるロー間関係を表すヘテロジニアス重み付きグラフを構築する。 最後に、ReCoGNNはメッセージパッシンググラフニューラルネットワークを活用して、グラフを通じて情報を伝達し、特徴の選択を誘導し、元のデータセットを拡張する。 10の実生活および合成データセットで実施された大規模な実験により、ReCoGNNは、分類タスクと回帰タスクの両方において、既存の手法を一貫して上回っていることが示された。

関連論文リスト

• Relational Deep Learning: Challenges, Foundations and Next-Generation Architectures [50.46688111973999]
  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。
  論文  参考訳（メタデータ） (2025-06-19T23:51:38Z)
• From Features to Structure: Task-Aware Graph Construction for Relational and Tabular Learning with GNNs [6.0757501646966965]
  タスク対応グラフ拡張のための統合フレームワークであるauGraphを紹介する。 auGraphは、属性をノードに選択的にプロモートすることで、ベースグラフ構造を強化する。 タスク関連構造信号を注入しながら、元のデータスキーマを保存する。
  論文  参考訳（メタデータ） (2025-06-02T20:42:53Z)
• 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)
• A Transfer Framework for Enhancing Temporal Graph Learning in Data-Scarce Settings [30.97142882931946]
  エンティティ間の動的相互作用は、ソーシャルプラットフォーム、金融システム、ヘルスケア、電子商取引のようなドメインで一般的である。 TGNNはそのような予測タスクに対して強力な結果を得ているが、通常、現実世界のシナリオで制限される広範なトレーニングデータを必要とする。 本稿では,ノード表現を関連する特徴から2部符号化機構によって切り離す新しい転送手法を提案する。
  論文  参考訳（メタデータ） (2025-03-02T11:10:29Z)
• RelGNN: Composite Message Passing for Relational Deep Learning [56.48834369525997]
  RelGNNはリレーショナルデータベースから構築されたグラフのユニークな構造特性を活用するために特別に設計された新しいGNNフレームワークである。 RelGNNは、Relbench(Fey et al., 2024)から30の多様な実世界のタスクで評価され、ほとんどのタスクで最先端のパフォーマンスを実現し、最大25%の改善を実現している。
  論文  参考訳（メタデータ） (2025-02-10T18:58:40Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Dynamic Relation Discovery and Utilization in Multi-Entity Time Series Forecasting [92.32415130188046]
  多くの現実世界のシナリオでは、実体の間に決定的かつ暗黙的な関係が存在する可能性がある。 本稿では,自動グラフ学習(A2GNN)を用いたマルチグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-02-18T11:37:04Z)

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。