論文の概要: RelICL: Training-free Relational Learning with Tabular Foundation Models

• arxiv url: http://arxiv.org/abs/2610.01725v1
• Date: Thu, 01 Oct 2026 14:00:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.176211
• Title: RelICL: Training-free Relational Learning with Tabular Foundation Models
• Title（参考訳）: RelICL:タブラル基礎モデルによる学習自由リレーショナルラーニング
• Abstract要約: タブラル基礎モデルは、トレーニングなしで単一テーブルタスクで最先端のパフォーマンスを達成する。 最近の研究は、それらがディープ・フィーチャー・シンセサイザー(DFS)によるリレーショナル・ラーニングにも適していることを示しており、これはリレーショナル・スキーマを1つのテーブルにフラットにし、他のテーブルの列の集合を機能として追加することで、リレーショナル・スキーマをフラット化するものである。 DFSの2つの大きな問題は、特徴の爆発と相互作用の盲点である。 我々は,DFSの利点を保ちながら,これらの2つの問題を緩和するRelICLという代替手法を提案し,検討する。
• 参考スコア（独自算出の注目度）: 1.9365462510293687
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Tabular foundation models achieve state-of-the-art performance on single-table tasks without any training. Recent work suggests that they are also well-suited for relational learning via deep feature synthesis (DFS), which flattens a relational schema into a single table by adding aggregates of the other tables' columns as features. This approach is appealing because it directly benefits from improvements to or customization of the underlying tabular foundation model. In this paper, we identify two key problems with DFS: feature explosion and interaction blindness. The first problem arises because the number of DFS features grows quickly as the schema becomes more complex, limiting scalability and performance. The second problem arises because column-wise aggregates do not account for feature interactions, limiting performance. We propose and explore an alternative method termed RelICL, which keeps the benefits of DFS but alleviates these two problems. At its heart, RelICL propagates and fuses information step by step through the schema graph, using the same tabular foundation model that is eventually used for prediction to do so. In our experimental study using RelBench tasks, RelICL was on par with the strongest approach based on deep feature synthesis.
• Abstract（参考訳）: タブラル基礎モデルは、トレーニングなしで単一テーブルタスクで最先端のパフォーマンスを達成する。 最近の研究は、それらがディープ・フィーチャー・シンセサイザー(DFS)によるリレーショナル・ラーニングにも適していることを示唆している。 このアプローチは、基礎となる表基盤モデルの改善やカスタマイズから直接恩恵を受けるため、魅力的です。 本稿では,DFSにおける特徴爆発と相互作用ブラインドネスの2つの主要な問題点を同定する。 最初の問題は、スキーマが複雑になるとDFS機能の数が急速に増加し、スケーラビリティとパフォーマンスが制限されるためである。 第2の問題は、カラムワイズアグリゲーションが特徴的相互作用を考慮せず、性能を制限しないためである。 我々は,DFSの利点を保ちながら,これらの2つの問題を緩和するRelICLという代替手法を提案し,検討する。 その中心にあるRelICLは、最終的に予測に使用されるのと同じ表の基盤モデルを使用して、スキーマグラフをステップスルーして情報を伝達し、融合する。 RelBenchタスクを用いた実験では、RelICLは深い特徴合成に基づく最強のアプローチと同等であった。

関連論文リスト

• Architecture Alignment With Sparse Priors in Tabular Foundation Models [10.863806811775069]
  タブラル基礎モデル(TFM)は、コンテキスト内学習を通じて、新しいデータセットに対する強力な予測を提供するため、ますます人気が高まっている。 しかし、リリースされたTFMは、事前訓練された事前、アーキテクチャ、目的において同時に異なり、それぞれの帰納的バイアスを無視する。 アーキテクチャが無関係な機能抑制に寄与するかどうかを問う。
  論文  参考訳（メタデータ） (2026-09-29T07:12:53Z)
• 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)
• Relatron: Automating Relational Machine Learning over Relational Databases [50.94254514286021]
  本稿では, RDL と DFS を共有設計空間に統合し, 多様な RDB タスクを対象としたアーキテクチャ中心の検索を行う。 RDLはDFSを一貫して上回り、高いタスク依存性を持つ。(2)タスク全体において単一のアーキテクチャが支配的であり、タスク認識モデル選択の必要性を強調し、精度は選択アーキテクチャの信頼性の低いガイドである。
  論文  参考訳（メタデータ） (2026-02-26T02:45:22Z)
• PluRel: Synthetic Data unlocks Scaling Laws for Relational Foundation Models [51.42043158297229]
  マルチタブラルリレーショナルデータベースをスクラッチから合成するフレームワークであるPluelを紹介する。 ステップバイステップの方法では,(1)有向グラフのスキーマ,(2)二部グラフのテーブル間一次外部キー接続,(3)条件因果機構によるテーブル内の特徴分布をモデル化する。
  論文  参考訳（メタデータ） (2026-02-03T21:35:18Z)
• Mitra: Mixed Synthetic Priors for Enhancing Tabular Foundation Models [85.64873567417396]
  実世界のデータに対して,その多様性,特異性,および性能のために選択された合成前駆体の硬化した混合物をトレーニングしたTFMであるMitraを紹介する。 Mitraは、TabPFNv2やTabICLのような最先端のTFMを、分類と回帰のベンチマークで一貫して上回っている。
  論文  参考訳（メタデータ） (2025-10-24T07:15:06Z)
• Plugging Schema Graph into Multi-Table QA: A Human-Guided Framework for Reducing LLM Reliance [8.83042313837811]
  本稿では,人為的な関係知識を活用して,スキーマリンクとジョインパスを明示的にエンコードするグラフベースのフレームワークを提案する。 自然言語クエリが与えられた場合,提案手法は解析可能な推論チェーンを構築するためにグラフを検索し,プルーニングとサブパスマージ戦略によって支援する。 標準ベンチマークと現実的な大規模データセットの両方の実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2025-06-04T20:21:52Z)
• Reference Twice: A Simple and Unified Baseline for Few-Shot Instance Segmentation [103.90033029330527]
  FSIS(Few-Shot Instance)は、サポート例が限定された新しいクラスの検出とセグメンテーションを必要とする。 我々は、FSISのサポートとクエリ機能の関係を利用するための統合フレームワーク、Reference Twice(RefT)を導入する。
  論文  参考訳（メタデータ） (2023-01-03T15:33:48Z)
• Less is More: Rethinking State-of-the-art Continual Relation Extraction Models with a Frustratingly Easy but Effective Approach [35.377756110634515]
  連続関係抽出(CRE)では、クラス増分データストリームから新しい関係を継続的に学習する必要がある。 CREの学習段階が2つあるフラストレーション的に簡単だが効果的なアプローチ(FEA)を提案する。
  論文  参考訳（メタデータ） (2022-09-01T06:08:07Z)
• Counterfactual Intervention Feature Transfer for Visible-Infrared Person Re-identification [69.45543438974963]
  視覚赤外人物再識別タスク(VI-ReID)におけるグラフベースの手法は,2つの問題により,悪い一般化に悩まされている。 十分に訓練された入力特徴は、グラフトポロジーの学習を弱め、推論過程において十分に一般化されない。 本稿では,これらの問題に対処するためのCIFT法を提案する。
  論文  参考訳（メタデータ） (2022-08-01T16:15:31Z)

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。