論文の概要: A Fair Benchmarking of Deep Relational Database Learning Models
- arxiv url: http://arxiv.org/abs/2607.03659v1
- Date: Sat, 04 Jul 2026 01:20:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.676346
- Title: A Fair Benchmarking of Deep Relational Database Learning Models
- Title（参考訳）: 深い関係データベース学習モデルの公正なベンチマーク
- Abstract要約: リレーショナルデータベース(RDB)は多くの企業において主要なインフラです。
RDB向けに設計された最近のディープラーニング手法は、一貫性のない実験プロトコルで評価されている。
我々は最近リリースされたRDBのためのディープラーニング手法について,最初の体系的ベンチマーク研究の1つを提示する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Relational databases (RDBs) are the primary data infrastructure in many enterprises, yet recent deep learning methods designed for RDBs have been evaluated under inconsistent experimental protocols, making fair comparison difficult. We present one of the first systematic benchmarking studies of recently released deep learning methods for RDBs, evaluating them across five relational databases, with one classification and one regression task for each. We refactor all deep RDB models to allow the full range of experimental procedures to be applied consistently across all methods. Our findings indicate that the relational transformer (RT) approach delivers the strongest overall performance on both classification and regression tasks compared to the state-of-the-art graph-based modeling and learning of RDBs. Even for single-table learning tasks, deep learning methods designed for RDBs outperform the leading tabular foundation model, TabPFN 2.5. Extending learning from a single table (hop = 0) to multiple tables (hop = 1, 2) by connecting neighboring tables in relational databases enhances performance, but the additional benefit from higher hops diminishes as computational overhead grows. Deep RDB learning methods have the potential to challenge state-of-the-art tabular foundation models, especially on large-scale enterprise data. The source code for this benchmarking study is publicly available.
- Abstract（参考訳）: 多くの企業においてリレーショナルデータベース(RDB)が主要なデータ基盤となっているが、近年RDB用に設計されたディープラーニング手法は、一貫性のない実験プロトコルの下で評価され、公正な比較が困難になっている。
我々は、最近リリースされたRDBのディープラーニング手法に関する最初の体系的なベンチマーク研究の1つを提示し、それらを5つの関係データベースで評価し、それぞれ1つの分類と1つの回帰タスクで評価する。
すべてのディープRDBモデルをリファクタリングし、すべてのメソッドで完全な実験手順を一貫して適用できるようにします。
その結果,リレーショナルトランスフォーマー(RT)アプローチは,最新のグラフベースモデリングやRDBの学習と比較して,分類タスクと回帰タスクの両方において,最も優れた総合的なパフォーマンスを提供することがわかった。
シングルテーブルの学習タスクであっても、RDB用に設計されたディープラーニングメソッドは、主要な表層基盤モデルであるTabPFN 2.5より優れています。
単一のテーブル(ホップ = 0)から複数のテーブル(ホップ = 1, 2)への学習をリレーショナルデータベースで隣のテーブルに接続することで、パフォーマンスが向上するが、計算オーバーヘッドが増加するにつれて、高いホップのメリットは減少する。
深層RDB学習手法は、特に大規模エンタープライズデータにおいて、最先端の表層基盤モデルに挑戦する可能性がある。
このベンチマーク研究のソースコードが公開されている。
関連論文リスト
- Advancing Open and Reproducible Relational Learning: RelArena-$α$, TabPFN-Rel and RPI [93.1293239420285]
私たちは3つのソフトウェアをオープンソースとして公開しています。
RelArena-$は、RelBench v1のベースラインを実行および比較するための統一されたフレームワークを提供する。
我々はTabPFN-3用のリレーショナルハーネスであるTabPFN-Relの初期バージョンをリリースする。
論文 参考訳（メタデータ） (2026-08-17T09:25:05Z) - RelPrism: A Multi-Faceted Pre-training Framework with Self-Generated Tasks for Relational Databases [49.47033473074821]
RDBのための多面的自己教師型学習フレームワークであるRelPrismを提案する。
RDBタスクは、しばしば異なる視点と粒度の多面的な情報を必要とする。
以上の結果から,RelPrismはROC-AUCを4.15%改善し,MAEを10.75%削減した。
論文 参考訳（メタデータ） (2026-05-22T05:19:58Z) - Relational In-Context Learning via Synthetic Pre-training with Structural Prior [60.404256960057545]
RDB-PFNは、$textbfsynthetic$で純粋にトレーニングされた最初のリレーショナルファンデーションモデルである。
構造因果モデル(Structure Causal Models, SCM)から生成された合成データが単一のテーブル上の推論を可能にするPFN(Presideed-Data Fitted Networks)にインスパイアされた。
RDB-PFNは、19の現実世界の予測タスクにおいて、強い数ショットのパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-03-04T07:30:54Z) - Relational Database Distillation: From Structured Tables to Condensed Graph Data [48.347717300340435]
グラフベースモデルに必要な電力を維持しつつ,大規模RDBをコンパクトなヘテロジニアスグラフに蒸留することを目的としている。
さらに、擬似ラベルを用いてカーネルリッジ回帰誘導目標を設計し、蒸留グラフの品質特性を創出する。
論文 参考訳（メタデータ） (2025-10-08T13:05:31Z) - Synthesize, Retrieve, and Propagate: A Unified Predictive Modeling Framework for Relational Databases [34.57267286892218]
本研究では,一元的依存関係を用いて特徴を合成する一元的予測モデリングフレームワークであるSRPを提案する。
SRPは、リレーショナルデータベース内の一元的および複合的依存関係の両方を完全にキャプチャするように設計されている。
論文 参考訳（メタデータ） (2025-08-10T07:59:41Z) - REDELEX: A Framework for Relational Deep Learning Exploration [0.0]
近年、深層学習は、RDBをグラフ構造として概念化する新しいパラダイムとして登場した。
様々なRDLモデルと基礎となるRDBの特徴との関係について分析することができない。
REDELEX$-$aの総合的な探査フレームワークを70以上のRDBの最も多様なコレクション上で、様々な複雑さのRDLモデルを評価する。
論文 参考訳（メタデータ） (2025-06-27T13:05:15Z) - RDB2G-Bench: A Comprehensive Benchmark for Automatic Graph Modeling of Relational Databases [34.357399264742526]
グラフモデリング手法を評価するための最初のベンチマークフレームワークであるRDB2G-Benchを紹介する。
本研究では,12タスクにおけるRDB-to-graph自動モデリング手法を,オンザフライ評価より約380倍高速にベンチマークする。
データセットとベンチマークの結果から,グラフモデルの有効性に影響を及ぼす重要な構造パターンが明らかになった。
論文 参考訳（メタデータ） (2025-06-02T06:34:10Z) - 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) - RDBench: ML Benchmark for Relational Databases [38.96429447951739]
我々は、リレーショナルデータベース(RDB)に関する再現性のある機械学習(ML)研究を促進するための標準ベンチマークRDBenchを紹介する。
RDBenchは、さまざまなスケール、ドメイン、グラフ、リレーショナル構造からなる、さまざまなRDBデータセットを提供する。
RDBenchは、RDB予測タスクの下で、XBoostGからグラフニューラルネットワークまで、さまざまなドメインからのMLメソッド間の有意義な比較を可能にする。
論文 参考訳（メタデータ） (2023-10-25T17:59:34Z) - Towards Realistic Low-resource Relation Extraction: A Benchmark with
Empirical Baseline Study [51.33182775762785]
本稿では,低リソース環境下での関係抽出システムを構築するための実証的研究について述べる。
低リソース環境での性能を評価するための3つのスキームについて検討する。 (i) ラベル付きラベル付きデータを用いた異なるタイプのプロンプトベース手法、 (ii) 長期分布問題に対処する多様なバランシング手法、 (iii) ラベル付きインドメインデータを生成するためのデータ拡張技術と自己学習。
論文 参考訳（メタデータ） (2022-10-19T15:46:37Z)
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。