論文の概要: Universal Encoders for Modular Relational Deep Learning
- arxiv url: http://arxiv.org/abs/2606.21434v1
- Date: Fri, 19 Jun 2026 13:49:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 13:26:19.944468
- Title: Universal Encoders for Modular Relational Deep Learning
- Title（参考訳）: モジュール型関係深層学習のためのユニバーサルエンコーダ
- Authors: Jakub Peleška, Gustav Šír,
- Abstract要約: Deep Learning (DL)は、エンド・ツー・エンドの表現のための時間的ヘテロジニアスグラフとしてマルチタブラルデータベースをモデル化する。
既存のアプローチは大きな障害に直面します。
グラフメッセージパッシングから行エンコーディングを分離するモジュール方式を提案する。
- 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 Deep Learning (RDL) models multi-tabular databases as temporal heterogeneous graphs for end-to-end representation learning. While RDL is evolving rapidly, existing approaches face significant generalization obstacles. They are either schema-specific, requiring training from scratch for every new database, or they rely on monolithic architectures that entangle feature encoding with graph message-passing. Analyzing these limitations, we establish four core pillars for building foundational relational models: semantic granularity, structural topology, temporal causality, and unified optimization. Addressing these pillars, we propose a modular approach that decouples row encoding from graph message-passing. We introduce the Universal Row Encoder, a transformer-based module that integrates raw cell data with schema metadata$-$including column semantics, table names, and global distribution statistics$-$to produce table-width invariant row embeddings. By explicitly feeding global statistics to an intra-row self-attention mechanism, the encoder natively contextualizes unseen features and handles sparse data. Serving as a flexible "backend" for any downstream graph architecture, our pretrained encoder enhances cross-database knowledge transfer on the established RelBench benchmarks while improving learning convergence and memory footprint.
- Abstract（参考訳）: リレーショナルディープラーニング(RDL)は、エンドツーエンドの表現学習のための時間的ヘテロジニアスグラフとしてマルチタブラルデータベースをモデル化する。
RDLは急速に進化しているが、既存のアプローチでは大きな一般化障害に直面している。
スキーマ固有のもので、新しいデータベースをスクラッチからトレーニングする必要があるか、あるいはグラフメッセージパッシングで機能をエンタングルするモノリシックなアーキテクチャに依存している。
これらの制約を分析することで,意味的粒度,構造的トポロジ,時間的因果性,統一最適化の4つの基本的関係モデルを構築することができる。
これらの柱に対処し、グラフメッセージパッシングから行エンコーディングを分離するモジュラーアプローチを提案する。
我々は,トランスフォーマーベースのモジュールであるUniversal Row Encoderを紹介した。このモジュールは,生のセルデータをスキーマメタデータと$-$$の列のセマンティクス,テーブル名,グローバル分布統計情報と統合し,テーブル幅不変行埋め込みを生成する。
グローバル統計をロー内自己注意機構に明示的に供給することにより、エンコーダは、目に見えない機能をネイティブにコンテキスト化し、スパースデータを処理する。
我々の事前訓練されたエンコーダは、学習収束とメモリフットプリントを改善しながら、確立されたRelBenchベンチマーク上でデータベース間の知識伝達を強化する。
関連論文リスト
- RelPrism: A Multi-Faceted Pre-training Framework with Self-Generated Tasks for Relational Databases [49.47033473074821]
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。
論文 参考訳（メタデータ） (2026-05-22T05:19:58Z) - Is Fixing Schema Graphs Necessary? Full-Resolution Graph Structure Learning for Relational Deep Learning [34.501460016762756]
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。
論文 参考訳（メタデータ） (2026-05-20T17:56:09Z) - Tracing the Roots: A Multi-Agent Framework for Uncovering Data Lineage in Post-Training LLMs [81.43302841109349]
学習後のデータは、大規模言語モデル(LLM)の機能を形成する上で重要な役割を果たす
本稿では,データセット開発における進化グラフを再構築する自動マルチエージェントフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-12T06:24:07Z) - PluRel: Synthetic Data unlocks Scaling Laws for Relational Foundation Models [51.42043158297229]
マルチタブラルリレーショナルデータベースをスクラッチから合成するフレームワークであるPluelを紹介する。
ステップバイステップの方法では,(1)有向グラフのスキーマ,(2)二部グラフのテーブル間一次外部キー接続,(3)条件因果機構によるテーブル内の特徴分布をモデル化する。
論文 参考訳（メタデータ） (2026-02-03T21:35:18Z) - 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) - Retrieval-Augmented Generation of Ontologies from Relational Databases [13.160850863758]
本稿では、RDBオントロジーの検索拡張反復生成であるRIGORについて述べる。
リレーショナルを人間の最小限の労力でリッチスキーマに変換するアプローチが紹介されている。
論文 参考訳（メタデータ） (2025-06-02T01:10:05Z) - RelDiff: Relational Data Generative Modeling with Graph-Based Diffusion Models [83.6013616017646]
RelDiffは、外部キーグラフ構造を明示的にモデル化することによって完全な関係データベースを合成する新しい拡散生成モデルである。
RelDiffは、現実的で一貫性のある合成リレーショナルデータベースの作成において、従来手法よりも一貫して優れている。
論文 参考訳（メタデータ） (2025-05-31T21:01:02Z) - 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) - Griffin: Towards a Graph-Centric Relational Database Foundation Model [37.09648739513178]
Griffinはデータベース(RDB)用に特別に設計された最初の基礎モデルの試みである
我々は、クロスアテンションモジュールと新しいアグリゲータを組み込むことで、アーキテクチャを強化する。
グリフィンは、様々な領域にわたるRDBから抽出された大規模、異質、および時間グラフで評価される。
論文 参考訳（メタデータ） (2025-05-08T18:03:43Z) - Serving Deep Learning Model in Relational Databases [70.53282490832189]
リレーショナルデータ上での深層学習(DL)モデルの実現は、様々な商業分野や科学分野において重要な要件となっている。
最先端のDL中心アーキテクチャは、DL計算を専用のDLフレームワークにオフロードします。
UDF中心アーキテクチャの可能性は、リレーショナルデータベース管理システム(RDBMS)内の1つ以上のテンソル計算をユーザ定義関数(UDF)にカプセル化する。
論文 参考訳（メタデータ） (2023-10-07T06:01:35Z)
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。