論文の概要: MetaSieve: Faster Relational Deep Learning through SQL-Based Metapath Selection
- arxiv url: http://arxiv.org/abs/2608.25903v1
- Date: Wed, 26 Aug 2026 15:22:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.878712
- Title: MetaSieve: Faster Relational Deep Learning through SQL-Based Metapath Selection
- Title（参考訳）: MetaSieve: SQLベースのメタパス選択による高速なリレーショナルディープラーニング
- Abstract要約: 本稿では,関係データベースシステムの結合・集約機能を活用して,サブグラフサイズを削減することを目的とする。
今回,MetaSieveについて紹介する。
複数のGNNバックボーンを用いたRelBenchベンチマークによる評価から,MetaSieveはエポジカルトレーニング時間を大幅に短縮することがわかった。
- 参考スコア（独自算出の注目度）: 2.025761610861237
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Relational Deep Learning (RDL) is an effective approach to machine learning over multi-table relational databases. In RDL, a database is modeled as a graph in which each row is a node and each foreign-key relation is an edge, and a graph neural network (GNN) is trained on this graph. Training a GNN requires sampling a subgraph around every seed node in the training set, and the cost of training is largely determined by the size of these subgraphs. This paper aims to reduce subgraph size by leveraging the join and aggregation capabilities of relational database systems. We observe that sampled subgraphs are obtained by following metapaths composed of foreign-key links, and that many of these metapaths can be pruned without loss of accuracy. We present MetaSieve, a metapath selection layer that determines which metapaths to retain and which to prune. For each candidate metapath extension, MetaSieve computes statistics via SQL join and aggregation queries and evaluates the extension based on a novel scoring function that prefers lightweight but informative candidates. Metapaths whose scores fall below a threshold are deemed uninformative and pruned. Metapath selection in MetaSieve is lightweight since it relies only on database statistics and task labels, and it is independent of GNN parameters, so it integrates with diverse GNN architectures for classification and regression. Our evaluation on the RelBench benchmark with multiple GNN backbones shows that MetaSieve consistently reduces per-epoch training time by large margins while maintaining and often improving accuracy.
- Abstract（参考訳）: リレーショナルディープラーニング(Relational Deep Learning, RDL)は、マルチテーブルリレーショナルデータベース上の機械学習に有効なアプローチである。
RDLでは、各行がノードであり、各外国キー関係がエッジであるグラフとしてデータベースをモデル化し、このグラフ上でグラフニューラルネットワーク(GNN)をトレーニングする。
GNNのトレーニングには、トレーニングセット内のシードノード毎にサブグラフをサンプリングする必要がある。
本稿では,関係データベースシステムの結合・集約機能を活用して,サブグラフサイズを削減することを目的とする。
サンプルされたサブグラフは外国キーリンクからなるメタパスに従えば得られ、これらのメタパスの多くは精度を損なうことなく刈り取ることができる。
メタパスの選択層であるMetaSieveを紹介します。
それぞれの候補メタパス拡張に対して、MetaSieveはSQLジョインとアグリゲーションクエリを介して統計を計算し、軽量だが情報的な候補を好む新しいスコアリング関数に基づいて拡張を評価する。
スコアがしきい値を下回るメタパスは、非形式的と見なされ、刈り取られる。
MetaSieveにおけるメタパスの選択は、データベース統計とタスクラベルにのみ依存するため軽量であり、GNNパラメータとは独立しているため、分類と回帰のために多様なGNNアーキテクチャと統合されている。
複数のGNNバックボーンを用いたRelBenchベンチマークによる評価は,MetaSieveが維持と精度の向上を図りながら,画期的なトレーニング時間を大幅に短縮することを示す。
関連論文リスト
- Rethinking Message Passing as Retrieval for Text-Attributed Graph Learning [63.602658976990874]
グラフニューラルネットワーク(GNN)は通常、メッセージパッシングニューラルネットワークとして概念化されている。
本稿では,GNNの検索拡張ビューについて述べる。各レイヤは,検索したグラフコンテキストの置換インサマリとともに,ノード表現に変分を適用して予測を行う。
この観点から、構造的メッセージパッシングをラベル認識検索と伝搬に置き換えるシンプルな集約ベースのフレームワークであるRTAを提案する。
論文 参考訳（メタデータ） (2026-08-27T07:25:44Z) - STAR: Semantic-Tuned and Tail-Adaptive Retriever for Graph-Augmented Generation [69.66045538889777]
本稿では,GraphRAGのためのセマンティックチューニングとテール適応型レトリバーSTARを提案する。
STARは一貫してベースラインを上回り、平均検索性能は1.8%向上した。
論文 参考訳（メタデータ） (2026-04-11T10:16:51Z) - Imbalanced Regression Pipeline Recommendation [5.863538874435322]
本稿では,不均衡回帰(Meta-IR)フレームワークのメタラーニングを提案する。
メタ分類器をトレーニングして、タスクごとの再サンプリング戦略と学習モデルで構成される最高のパイプラインを推奨する。
AutoMLフレームワークと比較して、Meta-IRはより良い結果を得た。
論文 参考訳（メタデータ） (2025-07-16T04:34:02Z) - 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) - A Self-Explainable Heterogeneous GNN for Relational Deep Learning [13.201879122862703]
リレーショナルデータのための自己説明可能なヘテロジニアスグラフニューラルネットワーク(GNN)を提案する。
提案手法は,モデルの推論機構を忠実に捉えた情報的メタパスを効果的に同定する。
これは、合成シナリオと実世界のシナリオの両方において、既存の手法を大きく上回っている。
論文 参考訳（メタデータ） (2024-11-30T16:02:14Z) - SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。
まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。
次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。
最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
論文 参考訳（メタデータ） (2021-12-12T14:18:18Z) - Meta-Aggregator: Learning to Aggregate for 1-bit Graph Neural Networks [127.32203532517953]
我々は,GNNパラメータとグラフ特徴をバイナライズするバニラ1ビットフレームワークを開発した。
軽量なアーキテクチャにもかかわらず、我々はこのバニラフレームワークがグラフトポロジを区別するのに十分な差別力に悩まされていることを観察した。
この発見は、バニラ二項化GNNの表現力を向上させるためにメタアグリゲータを考案する動機となる。
論文 参考訳（メタデータ） (2021-09-27T08:50:37Z) - Metapaths guided Neighbors aggregated Network for?Heterogeneous Graph
Reasoning [5.228629954007088]
メタパス誘導隣り合わせ型非均質グラフニューラルネットワークを提案し,性能向上を図る。
提案したMHNの3つの実世界の異種グラフデータセットに対する広範な実験を行った。
論文 参考訳（メタデータ） (2021-03-11T05:42:06Z) - Metapath- and Entity-aware Graph Neural Network for Recommendation [10.583077434945187]
グラフニューラルネットワーク(GNN)では、メッセージが反復的に隣人のノードの情報を集約する。
このようなシーケンシャルなノード接続、例えばメタパスは、下流のタスクに対する重要な洞察を捉えます。
我々は,共同サブグラフ(CSG)とメタパスを用いてメタパス認識サブグラフを作成する。
PEAGNNは多層GNNを訓練し、そのようなサブグラフ上でメタパス認識情報アグリゲーションを行う。
論文 参考訳（メタデータ） (2020-10-22T15:14:30Z) - Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。
複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。
本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
論文 参考訳（メタデータ） (2020-06-26T17:03:06Z) - MAGNN: Metapath Aggregated Graph Neural Network for Heterogeneous Graph
Embedding [36.6390478350677]
本稿では,Metapath Aggregated Graph Neural Network (MAGNN) と呼ばれる新しいモデルを提案する。
MAGNNは、入力ノード属性をカプセル化するノードコンテンツ変換、中間的なセマンティックノードを組み込むMetapath内アグリゲーション、複数のメタパスからのメッセージを統合するMetapath間アグリゲーションという3つの主要なコンポーネントを使用している。
実験により、MAGNNは最先端のベースラインよりも正確な予測結果が得られることが示された。
論文 参考訳（メタデータ） (2020-02-05T08:21:00Z)
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。