論文の概要: MetaRTL: Meta-path Attention Enhanced Relational Table Learning

• arxiv url: http://arxiv.org/abs/2609.19832v1
• Date: Thu, 17 Sep 2026 07:37:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.155657
• Title: MetaRTL: Meta-path Attention Enhanced Relational Table Learning
• Title（参考訳）: MetaRTL: Meta-path Attention 強化リレーショナルテーブル学習
• Abstract要約: スケーラブルで表現力のあるテーブル学習のための2段階フレームワークであるMetaRTLを提案する。 ディープメッセージパッシングから効率的なメタパスアグリゲーションに計算をシフトすることで、MetaRTLは高効率を維持しながらリッチなリレーショナルセマンティクスをキャプチャする。
• 参考スコア（独自算出の注目度）: 6.443551967092407
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Relational table learning has gained increasing attention with the widespread use of relational databases. Existing methods typically rely on deep GNN or HGNN stacks, leading to high computational costs and limited performance on large real-world databases. We propose MetaRTL, a two-stage framework for scalable and expressive relational table learning. In the first stage, MetaRTL obtains initial table embeddings via lightweight pre-training. In the second stage, it performs non-parametric message passing to derive meta-path features, which are then aggregated by an attention module, MetaAttn. By shifting computation from deep message passing to efficient meta-path aggregation, MetaRTL captures rich relational semantics while maintaining high efficiency. Experiments on 10 real-world datasets across 24 tasks demonstrate the effectiveness of the proposed method.
• Abstract（参考訳）: リレーショナルテーブル学習はリレーショナルデータベースの普及に伴って注目を集めている。 既存の手法は一般的に深いGNNやHGNNスタックに依存しており、計算コストが高く、大規模な実世界のデータベースでは性能が限られている。 スケーラブルで表現力のあるリレーショナルテーブル学習のための2段階フレームワークであるMetaRTLを提案する。 最初の段階では、MetaRTLは軽量な事前学習を通じて初期テーブルの埋め込みを取得する。 第2段階では、非パラメトリックメッセージパッシングを実行してメタパス機能を導出し、アテンションモジュールであるMetaAttnによって集約される。 ディープメッセージパッシングから効率的なメタパスアグリゲーションに計算をシフトすることで、MetaRTLは高効率を維持しながらリッチなリレーショナルセマンティクスをキャプチャする。 24タスクにまたがる10の実世界のデータセット実験により,提案手法の有効性が示された。

関連論文リスト

• MetaSieve: Faster Relational Deep Learning through SQL-Based Metapath Selection [2.025761610861237]
  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。
  論文  参考訳（メタデータ） (2026-08-26T15:22:52Z)
• 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)
• FGTR: Fine-Grained Multi-Table Retrieval via Hierarchical LLM Reasoning [9.827204445321147]
  The Fine-Grained Multi-Table Retrieval FGTR is a new search paradigm that using a human-like reasoning strategy。 実験の結果,FGTRは従来の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2026-03-13T06:28:45Z)
• Hippasus: Effective and Efficient Automatic Feature Augmentation for Machine Learning Tasks on Relational Data [3.0714301039424776]
  基本テーブルと候補テーブルを接続する有望なジョインパスを特定し、これらのジョインを実行して、拡張データを実体化し、その結果から最も有意義な機能を選択する。 Hippasusという,3つの重要なコントリビューションを通じて両方の目標を達成するモジュール型フレームワークを紹介します。 公開データセットに対する実験結果から,Hippasusは最先端のベースラインに対して,機能拡張の精度を最大26.8%向上することが示された。
  論文  参考訳（メタデータ） (2026-02-02T12:21:24Z)
• MemSearcher: Training LLMs to Reason, Search and Manage Memory via End-to-End Reinforcement Learning [73.27233666920618]
  本稿では,メモリを反復的に保持し,現在のターンと組み合わせたエージェントワークフローであるMemSearcherを提案する。 それぞれのターンで、MemSearcherはユーザーの質問をメモリに融合させ、推論トレースを生成し、検索アクションを実行し、メモリを更新してタスクの解決に必要な情報のみを保持する。 我々は,MemSearcher Agents の推論,検索戦略,メモリ管理を協調的に最適化する,エンドツーエンドの RL フレームワークである Multi-context GRPO を紹介する。
  論文  参考訳（メタデータ） (2025-11-04T18:27:39Z)
• 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)
• TableZoomer: A Collaborative Agent Framework for Large-scale Table Question Answering [26.00027389659854]
  TableZoomerは、テーブル質問応答(TQA)タスクのためのプログラミングベースのエージェントフレームワークである。 2)列選択とエンティティリンクを通じてサブテーブルスキーマを動的に生成するクエリ対応テーブルズーム機構,(3)クエリを実行可能なコードに変換するプログラム・オブ・ソート(PoT)戦略により,数値幻覚を緩和する。
  論文  参考訳（メタデータ） (2025-09-01T09:53:01Z)
• Meta-Semantics Augmented Few-Shot Relational Learning [8.997817761465866]
  知識グラフ上のリレーショナル学習(KGs)は,少数のトレーニング例で関係性に関する推論を行うことを目的としている。 本稿では,メタセマンティックスとリレーショナル情報とをシームレスに統合する新しいメタ学習フレームワークPromptMetaを提案する。
  論文  参考訳（メタデータ） (2025-05-08T22:59:42Z)
• TableLLM: Enabling Tabular Data Manipulation by LLMs in Real Office Usage Scenarios [51.66718740300016]
  TableLLMは80億のパラメータを持つ堅牢な大規模言語モデル(LLM)である。 TableLLMはデータ操作タスクを巧みに扱うために構築されている。 我々は、ユーザインタラクションのためのモデルチェックポイント、ソースコード、ベンチマーク、Webアプリケーションをリリースした。
  論文  参考訳（メタデータ） (2024-03-28T11:21:12Z)
• Entity-Graph Enhanced Cross-Modal Pretraining for Instance-level Product Retrieval [152.3504607706575]
  本研究の目的は, 細粒度製品カテゴリを対象とした, 弱制御型マルチモーダル・インスタンスレベルの製品検索である。 まず、Product1Mデータセットをコントリビュートし、2つの実際のインスタンスレベルの検索タスクを定義します。 我々は、マルチモーダルデータから重要な概念情報を組み込むことができるより効果的なクロスモーダルモデルを訓練するために活用する。
  論文  参考訳（メタデータ） (2022-06-17T15:40:45Z)

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。