論文の概要: Neuro-Relational Programs: Unifying Queries and Neural Computation over Structured Data

• arxiv url: http://arxiv.org/abs/2606.11946v1
• Date: Wed, 10 Jun 2026 11:16:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.428542
• Title: Neuro-Relational Programs: Unifying Queries and Neural Computation over Structured Data
• Title（参考訳）: ニューロリレーショナルプログラム:構造化データに対するクエリとニューラル計算の統合
• Authors: Arie Soeteman, Balder ten Cate, Maurice Funk, Benny Kimelfeld, Carsten Lutz, Moritz Schönherr,
• Abstract要約: 本稿では,関係データベースのための宣言型クエリ言語であるNeuro-Relational Programs (NRPs)を紹介する。 NRPは、組み込みを結合、集約、変換する操作でDatalogスタイルのルールを拡張する。 FOCQによるReLU-FFN変換による非制限NRPの表現力の特徴付けを行う。
• 参考スコア（独自算出の注目度）: 9.932884719997432
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The conventional approach to deep learning over relational databases applies neural models, such as Graph Neural Networks (GNNs), to a graph representation of the database. Recent approaches instead operate on databases directly, associating tuples with embeddings and extending query mechanisms to jointly process embeddings and relational content. Inspired by these developments, we introduce Neuro-Relational Programs (NRPs), a declarative query language for relational databases whose facts carry numeric vector embeddings. NRPs extend Datalog-style rules with operations that combine, aggregate, and transform embeddings, thereby interleaving relational reasoning and learnable neural components within a single formalism. This yields a general approach to neural computation over relational data: an NRP can be read both as a query plan with trainable components and as a neural architecture with relational structure built in. Natural syntactic fragments of NRPs recover existing architectures and query formalisms. Zero-ary NRPs correspond to non-adaptive query algorithms; monadic NRPs generalize GNN-style message passing and precisely capture Deep Homomorphism Networks, a connection that we extend to frontier-guarded NRPs over databases with row-ids. We characterize the expressive power of unrestricted NRPs with ReLU-FFN transformations by FOCQ, an extension of first-order logic with counting interpreted over real-weighted structures, yielding a precise connection with uniform TC$^0$ over ordered databases. Together, these results establish NRPs as a broad declarative framework for querying and neural computation over relational data.
• 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に対する従来のアプローチは、グラフニューラルネットワーク(GNN)のようなニューラルネットワークをデータベースのグラフ表現に適用する。 最近のアプローチではデータベースを直接操作し、埋め込みとタプルを関連付け、埋め込みとリレーショナルコンテンツを共同で処理するクエリメカニズムを拡張している。 これらの発展に触発されて、我々は、数値ベクトル埋め込みを持つ関係データベースのための宣言型クエリ言語であるNeuro-Relational Programs (NRPs)を紹介した。 NRPはDatalogスタイルのルールを拡張し、埋め込みを結合、集約、変換することで、単一の形式内でリレーショナル推論と学習可能なニューラルコンポーネントをインターリーブする。 NRPはトレーニング可能なコンポーネントによるクエリ計画と、リレーショナル構造を組み込んだニューラルアーキテクチャの両方として読むことができる。 NRPの自然な構文的断片は、既存のアーキテクチャやクエリ形式を復元する。 モナディックNRPは、GNNスタイルのメッセージパッシングを一般化し、行IDを持つデータベース上でフロンティアガードされたNRPに拡張するディープホモモルフィズムネットワークを正確にキャプチャする。 我々は、実重み付き構造上の解釈をカウントする一階述語論理の拡張である FOCQ による ReLU-FFN 変換による制限のない NRP の表現力を特徴付け、順序付きデータベース上の均一な TC$^0$ との正確な接続を得る。 これらの結果は、関係データに対するクエリとニューラル計算のための広範な宣言的フレームワークとして、NRPを確立している。

関連論文リスト

• Incorporating Deep Learning Design in Database Queries [3.967959244819106]
  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。
  論文  参考訳（メタデータ） (2026-05-22T20:47:07Z)
• The Human Brain as a Combinatorial Complex [3.849079578881503]
  現在のグラフベースの脳ネットワークの表現は、神経の複雑さを特徴づける高次の依存関係を見逃している。 本稿では,fMRI時系列データから複合体(CC)を構築するためのフレームワークを提案する。 この研究は、従来のグラフ手法では見えない、基本的な高次構造を保存する脳ネットワーク表現のためのフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-11-22T19:04:13Z)
• Synthesize, Retrieve, and Propagate: A Unified Predictive Modeling Framework for Relational Databases [34.57267286892218]
  本研究では,一元的依存関係を用いて特徴を合成する一元的予測モデリングフレームワークであるSRPを提案する。 SRPは、リレーショナルデータベース内の一元的および複合的依存関係の両方を完全にキャプチャするように設計されている。
  論文  参考訳（メタデータ） (2025-08-10T07:59:41Z)
• 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)
• Defining Neural Network Architecture through Polytope Structures of Dataset [53.512432492636236]
  本稿では, ニューラルネットワーク幅の上下境界を定義し, 問題となるデータセットのポリトープ構造から情報を得る。 本研究では,データセットのポリトープ構造を学習したニューラルネットワークから推定できる逆条件を探索するアルゴリズムを開発した。 MNIST、Fashion-MNIST、CIFAR10といった一般的なデータセットは、顔の少ない2つ以上のポリトップを用いて効率的にカプセル化できることが確立されている。
  論文  参考訳（メタデータ） (2024-02-04T08:57:42Z)
• On The Expressivity of Recurrent Neural Cascades [48.87943990557107]
  リカレントニューラルカスケード(Recurrent Neural Cascades、RNC)は、リカレントニューラルネットワークであり、リカレントニューロン間で循環的依存を持たない。 RNCは、グループを実装可能なニューロンを導入することで、すべての正規言語を表現できることを示す。
  論文  参考訳（メタデータ） (2023-12-14T15:47:26Z)
• Random Graph-Based Neuromorphic Learning with a Layer-Weaken Structure [4.477401614534202]
  我々は,ランダムグラフ理論を実践的な意味でNNモデルに変換し,各ニューロンの入出力関係を明らかにする。 この低演算コストアプローチでは、ニューロンはいくつかのグループに割り当てられ、接続関係はそれらに属するランダムグラフの一様表現とみなすことができる。 本稿では,複数のRGNN間の情報インタラクションを含む共同分類機構を開発し,教師付き学習における3つのベンチマークタスクの大幅な性能向上を実現する。
  論文  参考訳（メタデータ） (2021-11-17T03:37:06Z)

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。