論文の概要: Incorporating Deep Learning Design in Database Queries

• arxiv url: http://arxiv.org/abs/2605.24207v1
• Date: Fri, 22 May 2026 20:47:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:17.742153
• Title: Incorporating Deep Learning Design in Database Queries
• Title（参考訳）: データベースクエリにおけるディープラーニング設計の導入
• Authors: Yuval Lev Lubarsky, Dean Light, Boaz Berger, Shunit Agmon, Benny Kimelfeld,
• Abstract要約: 本稿では,ディープラーニングとデータベースクエリを自然に統合する手法を提案する。 我々は、PyTorchとcuDF上に構築されたこのアプローチの概念実証実装であるRelaNNについて説明する。
• 参考スコア（独自算出の注目度）: 3.967959244819106
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning over relational databases is conventionally realized by translating data into graph representations and applying graph-based neural networks within external frameworks. This round-trip between the database and external machine learning (ML) systems introduces non-trivial engineering overhead. In effect, these graph neural networks operate on tuple embeddings and manipulate them in ways that capture the interactions induced by relational joins. Given this natural correspondence, there is no fundamental reason why specifying a neural network over relational data should be substantially harder than querying it. We propose an approach that naturally integrates deep learning with database queries. The key idea is to associate each tuple with provenance, represented as a vector embedding with learnable parameters. Queries are lifted to operate jointly on data and embeddings, mapping input relations with embedded tuples to output relations with embedded tuples. This approach provides a declarative foundation for relational deep learning, facilitating integration with database systems, optimization, and wide adoption. We describe RelaNN, a proof-of-concept implementation of this approach built on top of PyTorch and cuDF. We illustrate the utility of RelaNN by implementing various graph-learning models, including graph convolutional networks, heterogeneous graph transformers, hypergraph neural networks and deep homomorphism networks. The simplicity of the programs and their competitive runtime performance demonstrate a concrete path toward making the implementation of state-of-the-art neural networks over databases as simple as writing a query.
• Abstract（参考訳）: リレーショナルデータベース上のディープラーニングは、データをグラフ表現に変換し、外部フレームワークにグラフベースのニューラルネットワークを適用することによって、従来から実現されている。 データベースと外部機械学習(ML)システムの間のこのラウンドトリップは、非自明なエンジニアリングオーバーヘッドをもたらす。 実際、これらのグラフニューラルネットワークはタプル埋め込みで動作し、リレーショナル結合によって引き起こされる相互作用を捉える方法でそれらを操作する。 このような自然な対応を考えると、リレーショナルデータよりもニューラルネットワークを指定する方が、クエリよりもはるかに難しい理由は何もありません。 本稿では,ディープラーニングとデータベースクエリを自然に統合する手法を提案する。 鍵となる考え方は、各タプルを、学習可能なパラメータを埋め込んだベクトルとして表現された証明と結びつけることである。 クエリは、データと埋め込みを共同で操作し、組込みタプルとの入力関係をマッピングし、組込みタプルとの出力関係を出力する。 このアプローチは、リレーショナルディープラーニングのための宣言的な基盤を提供し、データベースシステムとの統合を促進し、最適化し、広く採用する。 我々は、PyTorchとcuDF上に構築されたこのアプローチの概念実証実装であるRelaNNについて説明する。 本稿では、グラフ畳み込みネットワーク、異種グラフ変換器、ハイパーグラフニューラルネットワーク、深層準同型ネットワークなど、さまざまなグラフ学習モデルを実装することで、RelaNNの有用性を説明する。 プログラムの単純さとそれらの競合するランタイムパフォーマンスは、クエリを書くのと同じくらい単純なデータベース上の最先端のニューラルネットワークの実装を実現するための具体的な道筋を示している。

関連論文リスト

• Database Views as Explanations for Relational Deep Learning [7.126902744514975]
  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。
  論文  参考訳（メタデータ） (2025-09-11T14:11:48Z)
• 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)
• 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)
• 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)
• 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)
• GraphFormers: GNN-nested Transformers for Representation Learning on Textual Graph [53.70520466556453]
  階層的にGNNコンポーネントを言語モデルのトランスフォーマーブロックと一緒にネストするGraphFormerを提案する。 提案したアーキテクチャでは、テキストエンコーディングとグラフ集約を反復的なワークフローに融合する。 さらに、プログレッシブ・ラーニング・ストラテジーを導入し、そのモデルが操作されたデータと元のデータに基づいて連続的に訓練され、グラフ上の情報を統合する能力を強化する。
  論文  参考訳（メタデータ） (2021-05-06T12:20:41Z)
• 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)
• Siamese Graph Neural Networks for Data Integration [11.41207739004894]
  本稿では,リレーショナルデータベースなどの構造化データからエンティティをモデリングし,統合するための一般的なアプローチと,ニュース記事からの自由テキストなどの構造化されていない情報源を提案する。 我々のアプローチは、エンティティ間の関係を明示的にモデル化し、活用することにより、利用可能なすべての情報を使用し、できるだけ多くのコンテキストを保存するように設計されています。 我々は,ビジネスエンティティに関するデータ統合作業における手法の評価を行い,グラフベース表現を使用しない他のディープラーニングアプローチと同様に,標準的なルールベースシステムよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-01-17T21:51:55Z)

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。