論文の概要: Database Views as Explanations for Relational Deep Learning

• arxiv url: http://arxiv.org/abs/2509.09482v1
• Date: Thu, 11 Sep 2025 14:11:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.417892
• Title: Database Views as Explanations for Relational Deep Learning
• Title（参考訳）: 関係深層学習の解説としてのデータベースビュー
• Authors: Agapi Rissaki, Ilias Fountalis, Wolfgang Gatterbauer, Benny Kimelfeld,
• Abstract要約: 本稿では,リレーショナルデータベース上での機械学習モデルを記述するための新しいフレームワークを提案する。 我々は,全データベースの空間を網羅的に探索することを避けるアルゴリズムを開発した。 この手法はRelBenchコレクションに関する広範な実証研究を通じて評価される。
• 参考スコア（独自算出の注目度）: 7.126902744514975
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In recent years, there has been significant progress in the development of deep learning models over relational databases, including architectures based on heterogeneous graph neural networks (hetero-GNNs) and heterogeneous graph transformers. In effect, such architectures state how the database records and links (e.g., foreign-key references) translate into a large, complex numerical expression, involving numerous learnable parameters. This complexity makes it hard to explain, in human-understandable terms, how a model uses the available data to arrive at a given prediction. We present a novel framework for explaining machine-learning models over relational databases, where explanations are view definitions that highlight focused parts of the database that mostly contribute to the model's prediction. We establish such global abductive explanations by adapting the classic notion of determinacy by Nash, Segoufin, and Vianu (2010). In addition to tuning the tradeoff between determinacy and conciseness, the framework allows controlling the level of granularity by adopting different fragments of view definitions, such as ones highlighting whole columns, foreign keys between tables, relevant groups of tuples, and so on. We investigate the realization of the framework in the case of hetero-GNNs. We develop heuristic algorithms that avoid the exhaustive search over the space of all databases. We propose techniques that are model-agnostic, and others that are tailored to hetero-GNNs via the notion of learnable masking. Our approach is evaluated through an extensive empirical study on the RelBench collection, covering a variety of domains and different record-level tasks. The results demonstrate the usefulness of the proposed explanations, as well as the efficiency of their generation.
• Abstract（参考訳）: 近年、ヘテロジニアスグラフニューラルネットワーク(ヘテロジニアスGNN)とヘテロジニアスグラフトランスフォーマーに基づくアーキテクチャを含む、リレーショナルデータベース上のディープラーニングモデルの開発が著しく進展している。 実際、このようなアーキテクチャはデータベースの記録とリンク(例えば外部キー参照)が、多くの学習可能なパラメータを含む大きな複雑な数値表現にどのように変換されるかを記述する。 この複雑さは、人間が理解可能な言葉で、モデルが利用可能なデータを使って所定の予測に到達する方法を説明するのを難しくする。 本稿では,リレーショナルデータベース上の機械学習モデルを説明するための新しいフレームワークを提案する。 Nash, Segoufin, and Vianu (2010) による古典的な決定性の概念を適応させることにより、このようなグローバルな帰納的説明を確立する。 決定性と簡潔性のトレードオフを調整することに加えて、このフレームワークは、カラム全体、テーブル間の外部キー、関連するタプルのグループなど、さまざまなビュー定義の断片を採用することで、粒度のレベルを制御することができる。 異種GNNにおけるフレームワークの実現について検討する。 我々は,全データベースの空間を網羅的に探索するのを避けるヒューリスティックなアルゴリズムを開発した。 本稿では,学習可能なマスキングの概念を用いて,モデルに依存しない手法や,異種GNNに適した手法を提案する。 提案手法はRelBenchコレクションに関する広範な実証研究を通じて評価され,様々なドメインと異なるレコードレベルのタスクをカバーしている。 この結果から,提案手法の有効性と,提案手法の有効性が示唆された。

関連論文リスト

• Synthesize, Retrieve, and Propagate: A Unified Predictive Modeling Framework for Relational Databases [34.57267286892218]
  本研究では,一元的依存関係を用いて特徴を合成する一元的予測モデリングフレームワークであるSRPを提案する。 SRPは、リレーショナルデータベース内の一元的および複合的依存関係の両方を完全にキャプチャするように設計されている。
  論文  参考訳（メタデータ） (2025-08-10T07:59:41Z)
• 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)
• Representation Learning for Tabular Data: A Comprehensive Survey [23.606506938919605]
  行と列として構造化されたタブラルデータは、機械学習の分類と回帰アプリケーションにおいて最も一般的なデータタイプの一つである。 ディープニューラルネットワーク(DNN)は、最近、表現学習の能力を通じて有望な結果を実証した。 既存の手法を一般化能力に応じて3つの主要なカテゴリに分類する。
  論文  参考訳（メタデータ） (2025-04-17T17:58:23Z)
• 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)
• A Self-Explainable Heterogeneous GNN for Relational Deep Learning [13.201879122862703]
  リレーショナルデータのための自己説明可能なヘテロジニアスグラフニューラルネットワーク(GNN)を提案する。 提案手法は,モデルの推論機構を忠実に捉えた情報的メタパスを効果的に同定する。 これは、合成シナリオと実世界のシナリオの両方において、既存の手法を大きく上回っている。
  論文  参考訳（メタデータ） (2024-11-30T16:02:14Z)
• BabelBench: An Omni Benchmark for Code-Driven Analysis of Multimodal and Multistructured Data [61.936320820180875]
  大規模言語モデル(LLM)は、様々な領域でますます重要になっている。 BabelBenchは、コード実行によるマルチモーダルなマルチ構造化データ管理におけるLLMの熟練度を評価する革新的なベンチマークフレームワークである。 BabelBenchの実験結果から,ChatGPT 4のような最先端モデルでさえ,大幅な改善の余地があることが示唆された。
  論文  参考訳（メタデータ） (2024-10-01T15:11:24Z)
• Learning Federated Neural Graph Databases for Answering Complex Queries from Distributed Knowledge Graphs [53.03085605769093]
  我々は、マルチソースグラフデータに対するプライバシ保護推論を促進する先駆的な体系的フレームワークであるFederated Neural Graph DataBase(FedNGDB)を学習することを提案する。 FedNGDBは、フェデレートされた学習を活用して、複数のソースにわたるグラフ表現を協調的に学習し、エンティティ間の関係を強化し、グラフデータの全体的な品質を改善する。
  論文  参考訳（メタデータ） (2024-02-22T14:57:44Z)
• 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)
• 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。