論文の概要: Is Fixing Schema Graphs Necessary? Full-Resolution Graph Structure Learning for Relational Deep Learning

• arxiv url: http://arxiv.org/abs/2605.21475v1
• Date: Wed, 20 May 2026 17:56:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.831135
• Title: Is Fixing Schema Graphs Necessary? Full-Resolution Graph Structure Learning for Relational Deep Learning
• Title（参考訳）: 修正スキーマグラフは必要か?関係深層学習のためのフルリゾリューショングラフ構造学習
• Authors: Yi Huang, Qingyun Sun, Jia Li, Xingcheng Fu, Jianxin Li,
• Abstract要約: RDLのためのフルレゾリューション構造と最適グラフフレームワークは、学習可能なテーブルロールモデリング問題として学習構造を定式化する。 テーブルエンティティレベルをまたいだ関数表現を規則化する依存性制約を導入します。 実験により,本手法が既存手法より優れていることが示された。
• 参考スコア（独自算出の注目度）: 34.501460016762756
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Relational prediction tasks are fundamental in many real-world applications, where data are naturally stored in relational databases (RDBs). Relational Deep Learning (RDL) addresses this problem by modeling RDBs as graphs and applying graph neural networks (GNNs) for end-to-end learning. However, the full-resolution property is commonly adopted as a design principle in graph construction for RDBs to preserve relational semantics, which leads most existing methods to rely on fixed graph structures. In this paper, we propose FROG, a Full-Resolution and Optimizable Graph Structure Learning} framework for RDL that formulates relational structure learning as a learnable table role modeling problem, allowing tables to contribute as nodes and edges in message passing. We further design role-driven message passing mechanisms to capture relational semantics, enabling joint optimization of graph structure and GNN representations. To ensure semantic consistency, we introduce functional dependency constraints that regularize representations across table and entity levels. Extensive experiments demonstrate that our method outperforms existing approaches and reveal how table roles impact downstream tasks, offering new insights into graph construction for RDL
• Abstract（参考訳）: 関係予測タスクは、データがリレーショナルデータベース(RDB)に自然に格納される多くの実世界のアプリケーションにおいて、基本的なものである。 リレーショナルディープラーニング(RDL)は、RDBをグラフとしてモデル化し、エンドツーエンドの学習にグラフニューラルネットワーク(GNN)を適用することで、この問題に対処する。 しかしながら、フルレゾリューション特性は、関係性セマンティクスを保存するためにRDBのグラフ構築における設計原理として一般的に採用されており、既存のほとんどの手法は固定グラフ構造に依存している。 本稿では,リレーショナル構造学習を学習可能なテーブルロールモデリング問題として定式化し,テーブルがメッセージパッシングのノードやエッジとして貢献できるようにする,RDLのためのフル解決および最適化可能なグラフ構造学習フレームワークであるFROGを提案する。 さらに、関係意味を捉える役割駆動型メッセージパッシング機構を設計し、グラフ構造とGNN表現の協調最適化を可能にする。 セマンティックな一貫性を確保するために、テーブルとエンティティのレベルで表現を規則化する機能的依存性制約を導入します。 大規模な実験により、我々の手法は既存の手法よりも優れており、テーブルの役割が下流のタスクにどのように影響するかを明らかにし、RDLのためのグラフ構築に関する新たな洞察を提供する。

関連論文リスト

• Relational Database Distillation: From Structured Tables to Condensed Graph Data [48.347717300340435]
  グラフベースモデルに必要な電力を維持しつつ,大規模RDBをコンパクトなヘテロジニアスグラフに蒸留することを目的としている。 さらに、擬似ラベルを用いてカーネルリッジ回帰誘導目標を設計し、蒸留グラフの品質特性を創出する。
  論文  参考訳（メタデータ） (2025-10-08T13:05:31Z)
• A Pre-training Framework for Relational Data with Information-theoretic Principles [57.93973948947743]
  本稿では,リレーショナルグラフ上の集合に基づくアグリゲーションを通じて,監視信号を構成する新しい事前学習フレームワークであるTask Vector Estimation (TVE)を紹介する。 TVEは従来のトレーニング前のベースラインを一貫して上回っている。 本研究は,関係データベース上での予測モデルの設計原則として,タスクの不均一性と時間構造を符号化する事前学習目的を提唱する。
  論文  参考訳（メタデータ） (2025-07-14T00:17:21Z)
• 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)
• 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)
• 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)
• Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
  本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。 提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。 これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
  論文  参考訳（メタデータ） (2024-09-09T12:56:02Z)

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。