論文の概要: Scalable extraction and visualization of multi-attribute logical and functional dependencies in tabular data

• arxiv url: http://arxiv.org/abs/2610.08287v1
• Date: Tue, 06 Oct 2026 12:56:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.988827
• Title: Scalable extraction and visualization of multi-attribute logical and functional dependencies in tabular data
• Title（参考訳）: 表型データにおける多属性論理的・機能的依存関係のスケーラブル抽出と可視化
• Abstract要約: 表データから多属性LDとFDを抽出・可視化するためのLDToolとHLDToolを提案する。 シミュレーションされた3つの実世界のデータセットと11つの実世界のデータセットの実験により、提案フレームワークは意味のあるLDとFDを抽出することを示した。 提案するフレームワークは,依存関係構造の解釈可能な可視化を提供し,探索データ解析の応用をサポートする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding the structural relationships among attributes in tabular data is fundamental to machine learning and pattern recognition. While functional dependency (FD) discovery has been extensively studied, scalable discovery of logical dependencies (LDs), particularly as the number of attributes and dependency order increase, remains underexplored. These dependencies capture non-deterministic, condition-specific relationships among pairwise or multiple attributes. Furthermore, existing approaches do not provide a unified framework for extracting multi-attribute LDs and FDs. To address these limitations, we propose LDTool and HLDTool for extracting and visualizing multi-attribute LDs and FDs from tabular data. LDTool extends dependency discovery beyond pairwise relationships, while HLDTool enables scalable extraction through hypergraph-guided search-space reduction. Experiments on three simulated and eleven real-world datasets demonstrate that the proposed framework extracts meaningful LDs and FDs while improving scalability. LDTool recovers the same FDs as existing FD discovery methods with lower runtime in high-dimensional feature spaces, whereas HLDTool enables dependency discovery in datasets with hundreds of features. The proposed framework provides interpretable visualizations of dependency structures and supports applications in exploratory data analysis and the quantitative evaluation of synthetic tabular data.
• Abstract（参考訳）: 表データの属性間の構造的関係を理解することは、機械学習とパターン認識に不可欠である。 機能的依存関係(FD)の発見は広く研究されているが、特に属性の数や依存関係の順序が増加するにつれて、論理的依存関係(LD)のスケーラブルな発見は未調査のままである。 これらの依存関係は、ペアまたは複数の属性間の非決定論的、条件固有の関係をキャプチャする。 さらに、既存のアプローチでは、多属性LDとFDを抽出するための統一的なフレームワークを提供していない。 これらの制約に対処するため,表データから多属性LDとFDを抽出・可視化するLDToolとHLDToolを提案する。 HLDToolはハイパーグラフ誘導検索空間還元によるスケーラブルな抽出を可能にする。 シミュレーションされた3つの実世界のデータセットと11つの実世界のデータセットの実験により、提案フレームワークは、スケーラビリティを改善しながら意味のあるLDとFDを抽出することを示した。 LDToolは、高次元の機能空間におけるランタイムの低い既存のFDディスカバリメソッドと同じFDを復元する一方、HLDToolは数百の機能を持つデータセットでの依存性検出を可能にする。 提案フレームワークは、依存関係構造の解釈可能な可視化を提供し、探索データ解析および合成表データの定量的評価における応用を支援する。

関連論文リスト

• Causal Ensemble Agent: Hierarchical Causal Discovery with LLM-guided Expert Reweighting [95.24017293537025]
  Causal Ensemble Agent (CEA) は、さまざまなグラフレベルにわたる統計発見の専門家による構造的洞察を集約する新しいフレームワークである。 CEAは、幅広い因果発見手法において、最も優れた総合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-06-09T09:09:07Z)
• DAGAF: A directed acyclic generative adversarial framework for joint structure learning and tabular data synthesis [2.0459575802588237]
  本稿では,因果構造学習と表型データ合成を両立できる新しい2段階フレームワークを提案する。 我々のアプローチでは、データ変数間の因果関係を表現するために、DAG(Directed Acyclic Graphs)を用いている。 ANM, LiNGAM, Post-Nonlinear Model (PNL) などの機能的因果モデルを適用することにより, DAGの内容が暗黙的に学習され, 観測データの生成過程をシミュレートする。
  論文  参考訳（メタデータ） (2026-04-05T22:13:00Z)
• 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)
• Dependency-aware synthetic tabular data generation [0.0]
  特に、機能的依存関係(FD)と論理的依存関係(LD)は、しばしば合成データセットにほとんど、あるいはあまり保持されない。 本稿では,FD と LD ルールに基づいて独立な特徴を生成し,依存する特徴を再構成する階層的特徴生成フレームワーク (HFGF) を提案する。 4つのベンチマークデータセットを用いた実験により,HFGFはFDとLDの保存を6つの生成モデルで改善することが示された。
  論文  参考訳（メタデータ） (2025-07-25T12:29:58Z)
• Learning Efficient and Generalizable Graph Retriever for Knowledge-Graph Question Answering [75.12322966980003]
  大規模言語モデル(LLM)は、様々な領域にわたって強い帰納的推論能力を示している。 既存のRAGパイプラインのほとんどは非構造化テキストに依存しており、解釈可能性と構造化推論を制限する。 近年,知識グラフ解答のための知識グラフとLLMの統合について検討している。 KGQAにおける効率的なグラフ検索のための新しいフレームワークであるRAPLを提案する。
  論文  参考訳（メタデータ） (2025-06-11T12:03:52Z)
• Graph-based Unsupervised Disentangled Representation Learning via Multimodal Large Language Models [42.17166746027585]
  複素データ内の因子化属性とその相互関係を学習するための双方向重み付きグラフベースフレームワークを提案する。 具体的には、グラフの初期ノードとして要素を抽出する$beta$-VAEベースのモジュールを提案する。 これらの相補的加群を統合することで、我々は細粒度、実用性、教師なしの絡み合いをうまく達成できる。
  論文  参考訳（メタデータ） (2024-07-26T15:32:21Z)
• Beyond DAGs: A Latent Partial Causal Model for Multimodal Learning [80.44084021062105]
  本稿では,非方向エッジで連結された2つの潜在結合変数を特徴とする,多モーダルデータに対する新しい潜在部分因果モデルを提案する。 特定の統計的仮定の下では、多モーダル・コントラッシブ・ラーニングによって学習された表現が、自明な変換までの潜在結合変数に対応することを示す。 事前トレーニングされたCLIPモデルの実験は、非絡み合った表現を具現化し、数ショットの学習を可能にし、さまざまな現実世界のデータセットにわたるドメインの一般化を改善する。
  論文  参考訳（メタデータ） (2024-02-09T07:18:06Z)
• Serving Deep Learning Model in Relational Databases [70.53282490832189]
  リレーショナルデータ上での深層学習(DL)モデルの実現は、様々な商業分野や科学分野において重要な要件となっている。 最先端のDL中心アーキテクチャは、DL計算を専用のDLフレームワークにオフロードします。 UDF中心アーキテクチャの可能性は、リレーショナルデータベース管理システム(RDBMS)内の1つ以上のテンソル計算をユーザ定義関数(UDF)にカプセル化する。
  論文  参考訳（メタデータ） (2023-10-07T06:01:35Z)
• Enabling Resource-efficient AIoT System with Cross-level Optimization: A survey [20.360136850102833]
  この調査は、より自由なリソースパフォーマンストレードオフのために、より広い最適化スペースを提供することを目的としています。 様々なレベルに散らばる問題やテクニックを統合することで、読者のつながりを理解し、さらなる議論を促すことを目指している。
  論文  参考訳（メタデータ） (2023-09-27T08:04:24Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• Attribute-based Explanations of Non-Linear Embeddings of High-Dimensional Data [2.397739143553337]
  NoLiES(Non-linear Embeddings Surveyor)は、投影されたデータ(レンジセット)に対する新しい拡張戦略と、小さな多重環境でのインタラクティブな分析を組み合わせたものである。 Rangesetsはバイナリ属性値に対して,セットベースの視覚化アプローチを使用する。
  論文  参考訳（メタデータ） (2021-07-28T12:09:29Z)

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。