論文の概要: Relational Task Generation Language: A Declarative Specification Framework for Relational Deep Learning

• arxiv url: http://arxiv.org/abs/2609.01292v1
• Date: Tue, 01 Sep 2026 14:27:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.743681
• Title: Relational Task Generation Language: A Declarative Specification Framework for Relational Deep Learning
• Title（参考訳）: リレーショナルタスク生成言語:リレーショナルディープラーニングのための宣言型仕様フレームワーク
• Authors: Oleksii Kolesnichenko, Jakub Peleška, Gustav Šír,
• Abstract要約: 深層学習(DL)は多言語データから学習するための強力なパラダイムとなっている。 RTGLはオープンソースのRDLタスク定式化のための宣言型言語である。 RTGLの実用性は,多種多様な形態と対象型を持つ様々な新しいタスクを設計することによって実証する。
• 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) has become a powerful paradigm for learning from multi-tabular data. However, manually defining RDL prediction tasks is a laborious process that frequently results in data leakage. To address this issue, we introduce Relational Task Generation Language (RTGL) - an open-source declarative language that streamlines RDL task formulation by abstracting away low-level SQL details. We showcase RTGL by reconstructing existing RDL benchmark tasks and uncovering their inconsistencies stemming from manually crafted SQL definitions of RDL prediction targets, thereby underscoring the value of a dedicated declarative language. In addition, we demonstrate the practical utility of RTGL by designing various new tasks with diverse forms and target types. Our experiments confirm the robustness and usability of RTGL, as well as its seamless integration with the existing RDL frameworks, making it widely accessible to the community.
• Abstract（参考訳）: リレーショナルディープラーニング(RDL)は,多言語データから学習するための強力なパラダイムとなっている。 しかし、手動でRDL予測タスクを定義することは、しばしばデータ漏洩を引き起こす面倒なプロセスである。 この問題に対処するために、低レベルのSQLの詳細を抽象化することでRDLタスクの定式化を効率化するオープンソースの宣言型言語であるRelational Task Generation Language(RTGL)を紹介します。 RTGLは,既存のRTLベンチマークタスクを再構築し,RTL予測対象のSQL定義を手作業で作成したことから生じる不整合を明らかにすることにより,専用宣言型言語の価値を裏付ける。 さらに,RTGLの実用性について,多様な形態と対象型を持つ様々な新しいタスクを設計することで実証する。 我々の実験は、RTGLの堅牢性とユーザビリティ、および既存のRDLフレームワークとのシームレスな統合を確認し、コミュニティに広くアクセスできるようにする。

関連論文リスト

• BETA-Labeling for Multilingual Dataset Construction in Low-Resource IR [0.06363400715351396]
  この研究は、BETA-labelingフレームワークを用いて構築されたBangla IRデータセットを示す。 我々は、他の低リソース言語からのIRデータセットがワンホップ機械翻訳によって効果的に再利用できるかどうかを検討する。
  論文  参考訳（メタデータ） (2026-02-16T06:04:04Z)
• ZeroGR: A Generalizable and Scalable Framework for Zero-Shot Generative Retrieval [125.19156877994612]
  生成検索(GR)は、情報検索(IR)を文書識別子(ドシデント)の生成としてフレーミングすることによって再構成する 我々は、自然言語命令を利用して幅広いIRタスクにわたってGRを拡張するゼロショット生成検索フレームワークであるtextscZeroGRを提案する。 具体的には、textscZeroGRは、3つのキーコンポーネントで構成されている: (i)不均一な文書を意味的に意味のあるドシデントに統一するLMベースのドシデントジェネレータ; (ii)自然言語タスク記述から様々なタイプのクエリを生成し、拡張する命令チューニングクエリジェネレータ。
  論文  参考訳（メタデータ） (2025-10-12T03:04:24Z)
• Large Language Models are Good Relational Learners [55.40941576497973]
  本稿では,グラフニューラルネットワーク(GNN)に基づくエンコーダを用いて,大規模言語モデル(LLM)のための構造化リレーショナルプロンプトを生成する新しいアーキテクチャであるRel-LLMを紹介する。 従来のテキストベースのシリアライズ手法とは異なり,本手法はデータベース固有の関係構造を保ちながら,LLMが複雑なエンティティ関係を処理・推論することを可能にする。
  論文  参考訳（メタデータ） (2025-06-06T04:07:55Z)
• LUSIFER: Language Universal Space Integration for Enhanced Multilingual Embeddings with Large Language Models [89.13128402847943]
  LUSIFERは,LLMをベースとした多言語タスクの埋め込みモデルに,多言語監視を必要とせずに適用可能なゼロショット方式である。 LUSIFERのアーキテクチャは多言語エンコーダを組み、言語ユニバーサル学習者として機能し、埋め込み固有のタスクに最適化されたLLMベースの埋め込みモデルと組み合わせている。 5つの主要な埋め込みタスク、123の多様なデータセット、14言語にわたるカバレッジを含む新しいベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-01-01T15:43:07Z)
• Think Carefully and Check Again! Meta-Generation Unlocking LLMs for Low-Resource Cross-Lingual Summarization [108.6908427615402]
  CLS(Cross-lingual summarization)は、異なるターゲット言語でソーステキストの要約を生成することを目的としている。 現在、インストラクションチューニング付き大規模言語モデル (LLM) は様々な英語タスクで優れている。 近年の研究では、LCSタスクにおけるLCMの性能は、わずかな設定でも満足できないことが示されている。
  論文  参考訳（メタデータ） (2024-10-26T00:39:44Z)
• How Good are LLMs at Relation Extraction under Low-Resource Scenario? Comprehensive Evaluation [7.151108031568037]
  本稿では,3地域(中央アジア,東南アジア,中東)の低リソース言語10言語(LRL)における低リソース関係抽出データセットを構築する。 コーパスは、有効な多言語機械翻訳を使用して、オリジナルの公開可能な英語REデータセット(NYT10、FewRel、CrossRE)を翻訳することで構築される。 次に、言語パープレキシティ(PPL)を使用して、翻訳されたデータセットから低品質データをフィルタリングする。
  論文  参考訳（メタデータ） (2024-06-17T03:02:04Z)

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。