論文の概要: InRTL: Effective Intra-Inter Interaction Learning for Relational Tables

• arxiv url: http://arxiv.org/abs/2609.12712v1
• Date: Fri, 11 Sep 2026 11:06:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.724817
• Title: InRTL: Effective Intra-Inter Interaction Learning for Relational Tables
• Title（参考訳）: InRTL:リレーショナルテーブルのための効果的なインターインタラクション学習
• Abstract要約: イントラインターテーブルラーニング(Intra-Inter Table Learning, InRTL)は、テーブル内およびテーブル間の両方を明示的にモデル化する統合フレームワークである。 InRTLは2つの相補的な相互作用パターンを定式化している。
• 参考スコア（独自算出の注目度）: 10.309058077512603
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Relational table learning has recently emerged as an important research direction for modeling multiple tables connected through primary key-foreign key (PK-FK) relationships. Despite recent advances, a principled modeling framework tailored to this task remains underexplored. In this paper, we propose Intra-Inter Relational Table Learning (InRTL), a unified framework that explicitly models dependencies both within and across relational tables. Specifically, InRTL formalizes two complementary interaction patterns: intra-table interactions, describing associations among rows within the same table, and inter-table interactions, describing dependencies between rows across PK-FK-linked tables. To model these dependencies, we develop a column-aware table encoder to generate initial row representations, followed by Transformer-based self-attention and cross-attention modules for intra-table and inter-table learning, respectively. To further improve scalability, InRTL incorporates linearized attention and heterogeneous graph neural networks to simplify the self-attention and cross-attention operations. Extensive experiments on ten datasets covering 24 real-world tasks demonstrate the effectiveness of our approach. Code is available at https://github.com/W1nterFloW/InRTL.
• Abstract（参考訳）: リレーショナルテーブル学習は、最近、PK-FK関係を通じて接続された複数のテーブルをモデル化するための重要な研究方向として登場した。 近年の進歩にもかかわらず、このタスクに適した原則付きモデリングフレームワークはいまだ検討されていない。 本稿では,関係表内および関係表間の依存関係を明示的にモデル化する統合フレームワークIntra-Inter Relational Table Learning (InRTL)を提案する。 具体的には、InRTLは、テーブル内相互作用、同じテーブル内の行間の関連性の記述、PK-FK連結テーブル間の行間の依存関係記述の2つの補完的な相互作用パターンを形式化する。 これらの依存関係をモデル化するために、列認識テーブルエンコーダを開発し、初期行表現を生成し、次にTransformerベースの自己アテンションと、テーブル内およびテーブル間学習のためのクロスアテンションモジュールを生成する。 スケーラビリティをさらに向上するため、InRTLは線形化アテンションとヘテロジニアスグラフニューラルネットワークを導入し、自己アテンションとクロスアテンション操作を簡素化する。 24個の実世界のタスクをカバーする10のデータセットに対する大規模な実験は、我々のアプローチの有効性を実証している。 コードはhttps://github.com/W1nterFloW/InRTLで入手できる。

関連論文リスト

• 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)
• TableDART: Dynamic Adaptive Multi-Modal Routing for Table Understanding [52.59372043981724]
  TableDARTはトレーニング効率のよいフレームワークで、事前トレーニングされた単一モダリティモデルを再利用することでマルチモーダルビューを統合する。 さらに,テキストモデルと画像モデルからの出力を解析し,モーダル間知識統合のための新しいエージェントを提案する。
  論文  参考訳（メタデータ） (2025-09-18T07:00:13Z)
• Graph-Based Feature Augmentation for Predictive Tasks on Relational Datasets [28.942521393654985]
  本稿では,エンドツーエンドの自動機能拡張フレームワークReCoGNNを提案する。 予測タスクをサポートするために、複数のリレーショナルテーブルから抽出された機能を使用して、初期データセットを拡張する。 ReCoGNNは、分類タスクと回帰タスクの両方において、既存のメソッドを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-28T16:44:04Z)
• 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)
• A Pre-training Framework for Relational Data with Information-theoretic Principles [57.93973948947743]
  本稿では,リレーショナルグラフ上の集合に基づくアグリゲーションを通じて,監視信号を構成する新しい事前学習フレームワークであるTask Vector Estimation (TVE)を紹介する。 TVEは従来のトレーニング前のベースラインを一貫して上回っている。 本研究は,関係データベース上での予測モデルの設計原則として,タスクの不均一性と時間構造を符号化する事前学習目的を提唱する。
  論文  参考訳（メタデータ） (2025-07-14T00:17:21Z)
• Joint Relational Database Generation via Graph-Conditional Diffusion Models [44.06390394789874]
  プライバシのデータリリースや実際のデータセットといったアプリケーションでは、データベース(RDB)の生成モデルの構築が重要です。 従来はシングルテーブル生成にフォーカスするか、あるいはテーブルの順序を固定しテーブルを逐次生成する自動回帰因子化に依存していた。 我々は、RDB内のすべてのテーブルを秩序を課すことなく、共同でモデリングするという、根本的に異なるアプローチを提案する。
  論文  参考訳（メタデータ） (2025-05-22T11:12:56Z)
• Relational Deep Learning: Graph Representation Learning on Relational Databases [69.7008152388055]
  複数のテーブルにまたがって配置されたデータを学ぶために、エンドツーエンドの表現アプローチを導入する。 メッセージパッシンググラフニューラルネットワークは、自動的にグラフを学習して、すべてのデータ入力を活用する表現を抽出する。
  論文  参考訳（メタデータ） (2023-12-07T18:51:41Z)
• TCN: Table Convolutional Network for Web Table Interpretation [52.32515851633981]
  テーブル内情報とテーブル間情報の両方を考慮した新しいテーブル表現学習手法を提案する。 カラムタイプ予測ではf1の4.8%、カラム対関係予測ではf1の4.1%で競合ベースラインを上回ることができる。
  論文  参考訳（メタデータ） (2021-02-17T02:18:10Z)
• Relation of the Relations: A New Paradigm of the Relation Extraction Problem [52.21210549224131]
  我々は,関係抽出(RE)の新たなパラダイムを提案し,同じ文脈におけるすべての関係の予測を総合的に検討する。 我々は、手作りのルールを必要としないデータ駆動型アプローチを開発し、グラフニューラルネットワークと関係行列変換器を用いた関係関係(RoR)をそれ自体で学習する。 実験の結果、私たちのモデルはACE05データセットでは+1.12%、SemEval 2018 Task 7.2では2.55%で最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2020-06-05T22:25:27Z)

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。