論文の概要: RelGT-AC: A Relational Graph Transformer for Autocomplete Tasks in Relational Databases

• arxiv url: http://arxiv.org/abs/2606.03040v1
• Date: Tue, 02 Jun 2026 02:25:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.696253
• Title: RelGT-AC: A Relational Graph Transformer for Autocomplete Tasks in Relational Databases
• Title（参考訳）: RelGT-AC:リレーショナルデータベースにおけるオートコンプリートタスクのためのリレーショナルグラフ変換器
• Authors: Phillip Jiang,
• Abstract要約: 本稿ではRelGT-AC(Relational Graph Transformer for Autocomplete)を提案する。 3つのRelBench v2データセットにまたがる7つのタスクで、RelGT-ACは3つの回帰オートコンプリートタスクすべてでGraphSAGEベースラインを上回り、テキスト重可読タスクで最大AUROCポイントを達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Relational databases underpin modern enterprise, scientific, and healthcare systems, yet predictive machine learning on such data remains challenging due to their multi-table, heterogeneous, and temporal structure. Relational Deep Learning (RDL) addresses this by representing databases as heterogeneous graphs and applying graph neural networks (GNNs) directly. RelBench v2 recently introduced autocomplete tasks -- a practically motivated task type where the goal is to predict an existing column value from relational context, analogous to an intelligent form-filling assistant. We propose RelGT-AC (Relational Graph Transformer for Autocomplete), extending the RelGT architecture with three targeted contributions: (1) a column masking strategy that prevents trivial solutions by masking the target column during subgraph encoding; (2) a unified task head supporting binary classification, multiclass classification, and regression autocomplete tasks within a single model; and (3) a TF-IDF text encoder that automatically detects and encodes free-text columns, recovering strong lexical signal that categorical encoders discard. Across 7 tasks spanning 3 RelBench v2 datasets (rel-trial, rel-f1, rel-stack), RelGT-AC outperforms the GraphSAGE baseline on all 3 regression autocomplete tasks and achieves up to +10 AUROC points on text-heavy eligibility tasks via the TF-IDF encoder.
• Abstract（参考訳）: リレーショナルデータベースは、現代の企業、科学、医療システムを支えるが、そのようなデータに対する予測機械学習は、そのマルチテーブル、ヘテロジニアス、テンポラリな構造のため、依然として困難である。 リレーショナルディープラーニング(RDL)は、データベースを異種グラフとして表現し、グラフニューラルネットワーク(GNN)を直接適用することで、この問題に対処する。 RelBench v2は先頃、オートコンプリートタスク(autocomplete task)を導入した。これは事実上のモチベーションを持ったタスクタイプで、リレーショナルコンテキストから既存のカラム値を予測することを目的としている。これは、インテリジェントなフォームフィルアシスタントに似ている。 我々は,RelGT-AC(Relational Graph Transformer for Autocomplete)を提案し,RelGTアーキテクチャを3つの目的のコントリビューションで拡張する。(1)サブグラフエンコーディング中に,目的のカラムをマスキングすることで,自明な解決を阻止するカラムマスキング戦略,(2)バイナリ分類,マルチクラス分類,回帰オートコンプリートタスクを単一モデル内でサポートする統一タスクヘッド,(3)フリーテキスト列を自動的に検出してエンコードするTF-IDFテキストエンコーダ。 3つのRelBench v2データセット(rel-trial, rel-f1, rel-stack)にまたがる7つのタスクで、RelGT-ACは3つの回帰オートコンプリートタスクすべてでGraphSAGEベースラインを上回り、TF-IDFエンコーダを介してテキスト重可読タスクの+10 AUROCポイントを達成している。

関連論文リスト

• Masked BRep Autoencoder via Hierarchical Graph Transformer [13.174300628873057]
  本稿では、下流タスクのための入力コンピュータ支援設計(CAD)モデルから表現を自動的に学習する、新しい自己教師型学習フレームワークを提案する。 ネットワークをトレーニングするために,大規模でラベルなしな境界表現データセット(BRep)を構築した。 我々は,少量のラベル付きデータであっても,様々なタスクで実験を行い,高い性能を達成する。
  論文  参考訳（メタデータ） (2026-03-16T07:30:11Z)
• OFA-MAS: One-for-All Multi-Agent System Topology Design based on Mixture-of-Experts Graph Generative Models [57.94189874119267]
  マルチエージェントシステム(MAS)は複雑な問題を解決するための強力なパラダイムを提供する。 現在のグラフ学習に基づく設計手法は、しばしば「1対1」のパラダイムに準拠している。 自然言語で記述されたタスクに対して適応的な協調グラフを生成する一対一のフレームワークOFA-TADを提案する。
  論文  参考訳（メタデータ） (2026-01-19T12:23:44Z)
• Relational Transformer: Toward Zero-Shot Foundation Models for Relational Data [38.656987194921854]
  Transformer (RT) アーキテクチャは、様々なリレーショナルデータベース上で事前トレーニングすることができる。 RTは強いゼロショットを破り、バイナリ分類タスクにおいて、完全に教師されたAUROCの93%を平均化する。
  論文  参考訳（メタデータ） (2025-10-07T18:51:51Z)
• Graph-Based Feature Augmentation for Predictive Tasks on Relational Datasets [28.942521393654985]
  本稿では,エンドツーエンドの自動機能拡張フレームワークReCoGNNを提案する。 予測タスクをサポートするために、複数のリレーショナルテーブルから抽出された機能を使用して、初期データセットを拡張する。 ReCoGNNは、分類タスクと回帰タスクの両方において、既存のメソッドを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-28T16:44:04Z)
• Heterogeneous LLM Methods for Ontology Learning (Few-Shot Prompting, Ensemble Typing, and Attention-Based Taxonomies) [46.54026795022501]
  LLMs4OL 2025チャレンジのタスクA,B,Cに対処する包括的システムを提案する。 提案手法は、検索強化プロンプト、ゼロショット分類、アテンションに基づくグラフモデリングを組み合わせたものである。 これらのモジュラーでタスク固有のソリューションによって、公式のリーダーボードで上位の成果を得られるようになりました。
  論文  参考訳（メタデータ） (2025-08-26T20:50:16Z)
• Prompt Based Tri-Channel Graph Convolution Neural Network for Aspect Sentiment Triplet Extraction [63.0205418944714]
  Aspect Sentiment Triplet extract (ASTE)は、ある文の三つ子を抽出する新しいタスクである。 近年の研究では、単語関係を二次元テーブルにエンコードするテーブル充填パラダイムを用いてこの問題に対処する傾向にある。 本稿では, 関係表をグラフに変換し, より包括的な関係情報を探索する, Prompt-based Tri-Channel Graph Convolution Neural Network (PT-GCN) と呼ばれるASTEタスクの新しいモデルを提案する。
  論文  参考訳（メタデータ） (2023-12-18T12:46:09Z)
• AutoTransfer: AutoML with Knowledge Transfer -- An Application to Graph Neural Networks [75.11008617118908]
  AutoML技術は、各タスクをスクラッチから独立して考慮し、高い計算コストをもたらす。 本稿では,従来の設計知識を新たな関心事に伝達することで,検索効率を向上させるAutoTransferを提案する。
  論文  参考訳（メタデータ） (2023-03-14T07:23:16Z)
• Continual Object Detection via Prototypical Task Correlation Guided Gating Mechanism [120.1998866178014]
  pRotOtypeal taSk corrElaTion guided gaTingAnism (ROSETTA)による連続物体検出のためのフレキシブルなフレームワークを提案する。 具体的には、統一されたフレームワークはすべてのタスクで共有され、タスク対応ゲートは特定のタスクのサブモデルを自動的に選択するために導入されます。 COCO-VOC、KITTI-Kitchen、VOCのクラスインクリメンタル検出、および4つのタスクの逐次学習の実験により、ROSETTAが最先端のパフォーマンスを得ることが示された。
  論文  参考訳（メタデータ） (2022-05-06T07:31:28Z)
• Parameter-Efficient Abstractive Question Answering over Tables or Text [60.86457030988444]
  QAシステムを求める情報の長期的な野望は、マルチモーダルなコンテキストを推論し、ユーザクエリに対する自然な回答を生成することである。 メモリ集約型事前学習言語モデルは、構造化されていないテキストや構造化テーブルのような特定のモードでQAデータ上のモデルを微調整することで、QAのような下流タスクに適応する。 パラメータ効率の良いアダプタは、トランス層間の小さなタスク固有のボトルネック層を加算し、訓練する。
  論文  参考訳（メタデータ） (2022-04-07T10:56:29Z)

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。