論文の概要: Advancing Open and Reproducible Relational Learning: RelArena-$α$, TabPFN-Rel and RPI

• arxiv url: http://arxiv.org/abs/2608.16319v1
• Date: Mon, 17 Aug 2026 09:25:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.618547
• Title: Advancing Open and Reproducible Relational Learning: RelArena-$α$, TabPFN-Rel and RPI
• Title（参考訳）: オープンで再現可能な関係学習の促進:RelArena-$α$, TabPFN-Rel, RPI
• Authors: Adrian Hayler, Klemens Flöge, Alan Arazi, Rishabh Ranjan, Jure Leskovec, Felix Birkel, Brendan Roof, Anurag Garg, Kristina Collins, Lydia Sidhoum, Jonas Kübler, Siyuan Guo, Oscar Key, Jan Hendrik Metzen, Rylee Grace, David Salinas, Arthur Cahu, Simon Bing, Benjamin Jäger, Tuana Çelik, Mihir Manium, Vitor Monteiro, Jake Robertson, Jerry Chen, Eliott Kalfon, Tomás Pereda, Lilly Wehrhahn, Dominik Safaric, Tobias Schroeder, Georg Grab, Diana Kriuchkova, Clara Cornu, Philipp Singer, Nick Erickson, Vahid Balazadeh, Marie Salmon, Simone Alessi, Kürşat Kaya, Philipp Jund, Léo Grinsztajn, Yann LeCun, Bernhard Schölkopf, Madelon Hulsebos, Lennart Purucker, Sauraj Gambhir, Frank Hutter, Noah Hollmann,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 93.1293239420285
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This first release of Prior Labs in relational learning shows our continued commitment to open science. We open-source three pieces of software that we expect to accelerate research in the field towards meaningful real-world impact. We aim to steer further development based on feedback from, and in collaboration with, the community. Given the early stage of development, our $α$-release targets researchers and early-adopting practitioners. Over the past years, a variety of datasets and tasks for relational learning have emerged, but the community has not converged on a reliable, reproducible way to compare different methods on these tasks. Our $α$-release, RelArena-$α$, provides a unified framework for running and comparing baselines on RelBench v1 by standardizing data loading, evaluation protocols, tuning regimes, and support for systems with custom tuning, inspired by established tabular benchmarks such as TabArena. We plan to work with the research community to further develop RelArena-$α$ into a catalyst for progress in the relational learning community. We release the initial version of TabPFN-Rel, a purpose-built relational harness for TabPFN-3. Currently ranked first among models on RelArena-$α$, TabPFN-Rel makes key improvements upon RDBLearn. Beyond its ranking, TabPFN-Rel serves as a strong baseline, adding to the growing evidence that flattening a relational database into a single table remains competitive with specialized relational architectures on real-world tasks. To facilitate adoption of relational learning methods in research and industry, we release an initial $α$-version of our Relational Predictive Interface, RPI, an open-source, model-agnostic interface that enables early adopters to easily define problems on new databases and apply any model implemented in RelArena-$α$, including TabPFN-Rel, to these problems.
• Abstract（参考訳）: Prior Labsのリレーショナル学習の最初のリリースは、オープンサイエンスへの継続的なコミットメントを示しています。 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。 我々は,コミュニティからのフィードバックと協力に基づいて,さらなる開発を進めることを目指しています。 開発の初期段階から、当社の$α$-releaseは、研究者やアーリーアダプターをターゲットとしています。 過去数年間、リレーショナル学習のためのさまざまなデータセットやタスクが出現してきたが、コミュニティはこれらのタスクで異なるメソッドを比較するための信頼性があり再現可能な方法に収束していない。 当社の$α$-releaseであるRelArena-$α$は、データローディング、評価プロトコル、チューニングレジーム、TabArenaのような確立したベンチマークにインスパイアされたカスタムチューニングシステムのサポートを標準化することで、RelBench v1のベースラインを実行および比較するための統一的なフレームワークを提供します。 我々は研究コミュニティと協力して、RelArena-$α$をリレーショナルラーニングコミュニティの進展の触媒として開発する予定です。 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。 現在、RelArena-$α$のモデルの中で第1位であるTabPFN-RelはRDBLearnで重要な改善を行っている。 ランキング以外にも、TabPFN-Relは強力なベースラインとして機能し、リレーショナルデータベースを単一のテーブルにフラットにするという証拠は、現実世界のタスクにおける特別なリレーショナルアーキテクチャと競合するままである。 研究や産業におけるリレーショナルラーニング手法の採用を促進するため,RPIはオープンソースでモデルに依存しないインターフェースで,早期導入者が新しいデータベースの問題を容易に定義し,RelArena-$α$で実装されたモデルにTabPFN-Relを含む任意のモデルを適用することができる。

関連論文リスト

• A Fair Benchmarking of Deep Relational Database Learning Models [0.0]
  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。
  論文  参考訳（メタデータ） (2026-07-04T01:20:21Z)
• 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)
• RelBench v2: A Large-Scale Benchmark and Repository for Relational Data [33.795728412518834]
  RDLのためのRelBenchベンチマークのメジャー拡張であるRelBench v2を紹介する。 RDLモデルは、オートコンプリート予測とレコメンデーションタスクで、シングルテーブルベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-02-13T04:23:48Z)
• OpenOneRec Technical Report [99.17075873619352]
  OneRecシリーズは、断片化されたレコメンデーションパイプラインをエンドツーエンドの生成フレームワークにうまく統合した。 OneRec Foundation (1.7B と 8B) は、新しい最先端(SOTA)を確立するモデルのファミリであり、RecIF-Benchのすべてのタスクにまたがる結果である。 Amazonベンチマークに移行すると、当社のモデルは10種類のデータセットに対して平均26.8%のRecall@10の改善により、最強のベースラインを越えた。
  論文  参考訳（メタデータ） (2025-12-31T10:15:53Z)
• 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)
• 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)
• 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。