論文の概要: A Locality Radius Framework for Understanding Relational Inductive Bias in Database Learning

• arxiv url: http://arxiv.org/abs/2602.17092v1
• Date: Thu, 19 Feb 2026 05:31:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:28.70983
• Title: A Locality Radius Framework for Understanding Relational Inductive Bias in Database Learning
• Title（参考訳）: データベース学習における関係帰納的バイアス理解のための局所性ラディウスフレームワーク
• Authors: Aadi Joshi, Kavya Bhand,
• Abstract要約: 関係スキーマの予測に必要となる最小構造近傍の測度である局所性半径を導入する。 我々は、外部キー予測、結合コスト推定、ブラスト半径回帰、カスケード衝撃分類、追加のグラフ由来スキーマタスクに関する制御された実証的研究を行う。 結果は、一貫したバイアス半径アライメント効果を示す。
• 参考スコア（独自算出の注目度）: 0.3058685580689604
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foreign key discovery and related schema-level prediction tasks are often modeled using graph neural networks (GNNs), implicitly assuming that relational inductive bias improves performance. However, it remains unclear when multi-hop structural reasoning is actually necessary. In this work, we introduce locality radius, a formal measure of the minimum structural neighborhood required to determine a prediction in relational schemas. We hypothesize that model performance depends critically on alignment between task locality radius and architectural aggregation depth. We conduct a controlled empirical study across foreign key prediction, join cost estimation, blast radius regression, cascade impact classification, and additional graph-derived schema tasks. Our evaluation includes multi-seed experiments, capacity-matched comparisons, statistical significance testing, scaling analysis, and synthetic radius-controlled benchmarks. Results reveal a consistent bias-radius alignment effect.
• Abstract（参考訳）: 外部キー発見と関連するスキーマレベルの予測タスクは、しばしばグラフニューラルネットワーク(GNN)を使用してモデル化される。 しかし、マルチホップ構造的推論が実際にいつ必要かは不明である。 本研究では,関係スキーマの予測に要する最小構造近傍の形式的尺度である局所性半径を導入する。 モデル性能は,タスク局所度半径とアーキテクチャ集約深さとの整合性に大きく依存する,という仮説を立てる。 我々は、外部キー予測、結合コスト推定、ブラスト半径回帰、カスケード衝撃分類、追加のグラフ由来スキーマタスクに関する制御された実証的研究を行う。 評価には, マルチシード実験, キャパシティマッチング比較, 統計的意義試験, スケーリング分析, 合成半径制御ベンチマークなどが含まれる。 結果は、一貫したバイアス半径アライメント効果を示す。

関連論文リスト

• Understanding Generalization from Embedding Dimension and Distributional Convergence [13.491874401333021]
  表現中心の観点から一般化を研究し、学習した埋め込みの幾何学が固定訓練モデルの予測性能をどのように制御するかを分析する。 人口リスクは, (i) 埋込み分布の内在的次元, (i) 埋込み分布のワッサーシュタイン距離における人口分布への収束率, (ii) 埋込みから予測への下流マッピングの感度, (ii) リプシッツ定数によって特徴づけられる。
  論文  参考訳（メタデータ） (2026-01-30T09:32:04Z)
• On Discprecncies between Perturbation Evaluations of Graph Neural Network Attributions [49.8110352174327]
  我々は、グラフ領域で以前に検討されていない視点から帰属法を評価する:再学習。 中心となる考え方は、属性によって識別される重要な(あるいは重要でない)関係でネットワークを再訓練することである。 我々は4つの最先端GNN属性法と5つの合成および実世界のグラフ分類データセットについて分析を行った。
  論文  参考訳（メタデータ） (2024-01-01T02:03:35Z)
• Pitfalls of Climate Network Construction: A Statistical Perspective [13.623860700196625]
  球面上の時間依存等方性確率場をシミュレートし,共通ネットワーク構築手法を適用した。 推定手順から生じる不確実性が,ネットワーク特性に大きく影響を与える方法がいくつか見出された。
  論文  参考訳（メタデータ） (2022-11-05T11:59:55Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• Discovering Invariant Rationales for Graph Neural Networks [104.61908788639052]
  グラフニューラルネットワーク(GNN)の固有の解釈可能性とは、入力グラフの特徴の小さなサブセットを見つけることである。 本稿では,本質的に解釈可能なGNNを構築するために,不変理性(DIR)を発見するための新しい戦略を提案する。
  論文  参考訳（メタデータ） (2022-01-30T16:43:40Z)
• General Greedy De-bias Learning [163.65789778416172]
  本稿では,関数空間における勾配降下のような偏りのあるモデルとベースモデルを優雅に訓練する一般グリーディ・デバイアス学習フレームワーク(GGD)を提案する。 GGDは、事前知識を持つタスク固有バイアスモデルと、事前知識を持たない自己アンサンブルバイアスモデルの両方の設定の下で、より堅牢なベースモデルを学ぶことができる。
  論文  参考訳（メタデータ） (2021-12-20T14:47:32Z)
• Prequential MDL for Causal Structure Learning with Neural Networks [9.669269791955012]
  ベイジアンネットワークの実用的スコアリング関数を導出するために,事前最小記述長の原理が利用できることを示す。 我々は、調整しなければならない事前やその他の正規化子を誘導するスパーシリティに頼ることなく、可塑性および擬似グラフ構造を得る。 本研究は, 適応速度から因果構造を推定する最近の研究と, 分布変化の源泉から観測結果が得られた場合の因果構造との関係について考察する。
  論文  参考訳（メタデータ） (2021-07-02T22:35:21Z)
• Counterfactual Maximum Likelihood Estimation for Training Deep Networks [83.44219640437657]
  深層学習モデルは、予測的手がかりとして学習すべきでない急激な相関を学習する傾向がある。 本研究では,観測可能な共同設立者による相関関係の緩和を目的とした因果関係に基づくトレーニングフレームワークを提案する。 自然言語推論(NLI)と画像キャプションという2つの実世界の課題について実験を行った。
  論文  参考訳（メタデータ） (2021-06-07T17:47:16Z)

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。