論文の概要: RelPrism: A Multi-Faceted Pre-training Framework with Self-Generated Tasks for Relational Databases

• arxiv url: http://arxiv.org/abs/2605.23241v1
• Date: Fri, 22 May 2026 05:19:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.208587
• Title: RelPrism: A Multi-Faceted Pre-training Framework with Self-Generated Tasks for Relational Databases
• Title（参考訳）: RelPrism:リレーショナルデータベースのための自己生成タスクを備えた多面事前学習フレームワーク
• Authors: Jinyu Yang, Cheng Yang, Junze Chen, Zedi Liu, Muhan Zhang, Hanyang Peng, Chuan Shi,
• Abstract要約: RDBのための多面的自己教師型学習フレームワークであるRelPrismを提案する。 RDBタスクは、しばしば異なる視点と粒度の多面的な情報を必要とする。 以上の結果から,RelPrismはROC-AUCを4.15%改善し,MAEを10.75%削減した。
• 参考スコア（独自算出の注目度）: 49.47033473074821
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Relational databases (RDBs) remain the cornerstone of modern data systems and support diverse predictive tasks. Recent relational deep learning (RDL) methods enable end-to-end prediction by converting RDBs into graphs, where rows are represented as nodes and inter-table interactions are represented as edges, and then applying graph-based models for representation learning. Despite the strong capability of RDL, effective self-supervised pre-training for RDBs remains non-trivial. RDB tasks often require multi-faceted information across different perspectives and granularities. For example, user churn classification may rely more on interaction patterns, whereas consumption value prediction requires both user-item behaviors and intrinsic user attributes for fine-grained regression. Such heterogeneous needs challenge RDB representation learning, as pre-training objectives should cover comprehensive information for downstream adaptation. However, existing SSL methods typically derive supervision from a single facet, such as node-level intrinsic attributes or subgraph-level relational structures, providing limited adaptability. To this end, we propose RelPrism, a multi-faceted self-supervised learning framework for RDBs. RelPrism constructs intrinsic, relational, and hybrid attributes from distinct perspectives, and applies multi-granularity clustering to each perspective to form corresponding pseudo-task pools. Pre-training over these pools exposes representations to broader perspectives and granularity levels, yielding a stronger basis for downstream adaptation. Experiments on 14 tasks across 5 real-world datasets show that RelPrism improves ROC-AUC by 4.15% for classification and reduces MAE by 10.75% for regression over state-of-the-art baselines. Our code is available at https://anonymous.4open.science/r/RelPrism.
• Abstract（参考訳）: リレーショナルデータベース(RDB)は現代のデータシステムの基盤のままであり、多様な予測タスクをサポートする。 近年のリレーショナルディープラーニング(RDL)手法により,RDBをグラフに変換し,行をノードとして表現し,テーブル間相互作用をエッジとして表現し,グラフベースのモデルを表現学習に適用することで,エンドツーエンドの予測を可能にする。 RDLの強い能力にもかかわらず、RDBの効果的な自己教師付き事前訓練は依然として簡単ではない。 RDBタスクは、しばしば異なる視点と粒度の多面的な情報を必要とする。 例えば、ユーザチャーン分類はよりインタラクションパターンに依存しているのに対して、消費価値予測には、微妙な回帰のために、ユーザ・イテムの振る舞いと固有のユーザー属性の両方が必要である。 このような異種性はRDB表現学習に挑戦するものであり、事前学習の対象は下流適応のための包括的な情報を網羅すべきである。 しかし、既存のSSLメソッドは通常、ノードレベルの固有の属性やサブグラフレベルのリレーショナル構造のような単一のファセットから監視され、適応性が制限される。 この目的のために,RDBのための多面的自己教師型学習フレームワークであるRelPrismを提案する。 RelPrismは固有の属性、リレーショナル属性、ハイブリッド属性を異なる視点から構築し、各視点に多粒度クラスタリングを適用して対応する擬似タスクプールを形成する。 これらのプールに対する事前訓練は、より広い視点と粒度レベルに表現を公開し、下流適応の強い基盤となる。 5つの実世界のデータセットにまたがる14のタスクの実験では、RelPrismは分類のためにROC-AUCを4.15%改善し、最先端のベースラインよりも回帰的にMAEを10.75%削減している。 私たちのコードはhttps://anonymous.4open.science/r/RelPrismで公開されています。

関連論文リスト

• Rel-MOSS: Towards Imbalanced Relational Deep Learning on Relational Databases [66.24230877709756]
  リレーショナルディープラーニング(RDL)は、リレーショナルデータベース(RDB)を異種エンティティグラフとして構成するために提案される。 既存のRDL手法は、RDBにおける関係データの不均衡問題を無視し、少数民族を過小評価するリスクを負う。 本研究では,RDBエンティティ分類におけるクラス不均衡問題を初めて検討し,関係中心型マイノリティー合成オーバーサンプリングGNNを設計する。
  論文  参考訳（メタデータ） (2026-03-09T03:18:26Z)
• RelBench v2: A Large-Scale Benchmark and Repository for Relational Data [33.795728412518834]
  RDLのためのRelBenchベンチマークのメジャー拡張であるRelBench v2を紹介する。 RDLモデルは、オートコンプリート予測とレコメンデーションタスクで、シングルテーブルベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-02-13T04:23:48Z)
• 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)
• Rel-HNN: Split Parallel Hypergraph Neural Network for Learning on Relational Databases [3.6423651166048874]
  データベースのフラット化は、ディープラーニングモデルに課題をもたらす。 我々はrel-HNNと呼ばれる新しいハイパーグラフベースのフレームワークを提案する。 rel-HNNは,分類タスクと回帰タスクの両方において,既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-16T18:20:45Z)
• 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)
• Task-Agnostic Contrastive Pretraining for Relational Deep Learning [0.0]
  本稿では,データベース全体の表現学習を可能にするRDLのためのタスク依存型コントラスト事前学習手法を提案する。 モジュール型RDLアーキテクチャにより,各事前学習手法を実装した。 予備的な結果から、事前訓練したモデルの微調整は、スクラッチからトレーニングを成功させることが示された。
  論文  参考訳（メタデータ） (2025-06-27T13:18:13Z)
• Joint Relational Database Generation via Graph-Conditional Diffusion Models [44.06390394789874]
  プライバシのデータリリースや実際のデータセットといったアプリケーションでは、データベース(RDB)の生成モデルの構築が重要です。 従来はシングルテーブル生成にフォーカスするか、あるいはテーブルの順序を固定しテーブルを逐次生成する自動回帰因子化に依存していた。 我々は、RDB内のすべてのテーブルを秩序を課すことなく、共同でモデリングするという、根本的に異なるアプローチを提案する。
  論文  参考訳（メタデータ） (2025-05-22T11:12:56Z)
• RelBench: A Benchmark for Deep Learning on Relational Databases [78.52438155603781]
  本稿では,グラフニューラルネットワークを用いたデータベース上でタスクを解くための公開ベンチマークであるRelBenchを紹介する。 私たちはRelBenchを使って、ディープラーニングインフラストラクチャに関する初の総合的な研究を行っています。 RDLは、人間の作業量を1桁以上削減しながら、より良く学習する。
  論文  参考訳（メタデータ） (2024-07-29T14:46:13Z)
• 4DBInfer: A 4D Benchmarking Toolbox for Graph-Centric Predictive Modeling on Relational DBs [67.47600679176963]
  RDBは、相互接続されたテーブルにまたがる膨大な量のリッチで情報的なデータを格納する。 予測機械学習モデルの進歩は、コンピュータビジョンや自然言語処理といった他の領域の進歩に遅れをとっている。 マルチテーブルデータセットをグラフに変換することを前提としたベースラインモデルのクラスを探索する。 大規模RDBデータセットと (ii) 同時予測タスクの多様なコレクションを組み立てる。
  論文  参考訳（メタデータ） (2024-04-28T15:04:54Z)

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。