論文の概要: Experts Across Schemas: Agent-Guided Mixture-of-Relational-Experts for Cross-Database Generalization
- arxiv url: http://arxiv.org/abs/2611.18315v1
- Date: Fri, 13 Nov 2026 15:32:09 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:27:19.268994
- Title: Experts Across Schemas: Agent-Guided Mixture-of-Relational-Experts for Cross-Database Generalization
- Title(参考訳): 専門家がスキーマを横断する: クロスデータベースの一般化のためのエージェントガイド混合-リレーショナル-エクスプロイト
- Abstract要約: MoREGTは、行とセルの両方をトークンとして表現するリレーショナル-エキスパートグラフ変換器である。
値ではなく列でセルと行を専門家にルーティングする。
ターゲットデータベースのスキーマを読み、リレーショナル統計は検証済みの単一行派生列を追加する。
- 参考スコア(独自算出の注目度): 23.495820001788758
- License:
- Abstract: Web platforms record user and item activity in relational databases whose schemas differ from platform to platform, which makes it difficult to transfer predictive models between them. Relational foundation models address this through cross-database pretraining, yet recent improvements have relied on increasingly large pretraining corpora. We ask whether a better architecture, together with features specific to the target database, can deliver comparable gains from far less pretraining data. We introduce MoREGT, a mixture-of-relational-experts graph transformer that represents both rows and cells as tokens, adds the log-ages of rows and the names of foreign-key relationships to attention, and routes cells and rows to experts by column metadata rather than by values. A label-blind LLM agent complements the model: it reads the target database's schema and column statistics and adds validated single-row derived columns, without access to labels or model scores. On 21 RelBench tasks with leave-one-database-out pretraining on six databases, the MoREGT backbone improves on the Relational Transformer pretrained on the same databases by 2.25 points of mean AUROC and 5.83 points of mean nMAE. The agent's columns raise mean AUROC from 78.45 to 79.63 and lower mean nMAE from 27.91 to 26.98, the highest means on both metrics among the compared methods, including RT-J, which pretrains on about 400 times as many databases.
- Abstract(参考訳): Webプラットフォームは、スキーマがプラットフォームによって異なるリレーショナルデータベースにおいて、ユーザとアイテムのアクティビティを記録する。
リレーショナルファンデーションモデルは、データベース間の事前トレーニングを通じてこの問題に対処するが、最近の改善は、ますます大きな事前トレーニングコーパスに依存している。
より優れたアーキテクチャが、ターゲットデータベース特有の機能とともに、より少ない事前トレーニングデータから同等の利益を得ることができるかどうかを問う。
我々は,行とセルの両方をトークンとして表現する関係性グラフ変換器であるMoREGTを紹介し,行のログと注目に対する外国キー関係の名前を加え,値ではなく列メタデータによってセルと行を専門家にルーティングする。
ターゲットデータベースのスキーマと列統計を読み出し、ラベルやモデルスコアにアクセスすることなく、検証済みの単一行派生列を追加する。
21のRelBenchタスクで、6つのデータベース上で1つのデータベースを事前トレーニングし、MoREGTのバックボーンは、同じデータベース上で事前トレーニングされたリレーショナルトランスフォーマーを平均2.25ポイント、平均5.83ポイント改善する。
エージェントのカラムは平均AUROCを78.45から79.63に、平均nMAEを27.91から26.98に下げる。
関連論文リスト
- RelPrism: A Multi-Faceted Pre-training Framework with Self-Generated Tasks for Relational Databases [49.47033473074821]
RDBのための多面的自己教師型学習フレームワークであるRelPrismを提案する。
RDBタスクは、しばしば異なる視点と粒度の多面的な情報を必要とする。
以上の結果から,RelPrismはROC-AUCを4.15%改善し,MAEを10.75%削減した。
論文 参考訳(メタデータ) (2026-05-22T05:19:58Z) - Towards Foundation Models for Relational Databases with Language Models and Graph Neural Networks [14.51793414693779]
本稿では,リレーショナルREG上でのBARTアーキテクチャとGraphSベースのGNNを組み合わせたハイブリッドアーキテクチャを提案する。
実験の結果、GNNはBARTの行注入コンテキストを大幅に強化し、rel-f1データセットからドライバdnfタスクにROC-埋め込み67.40を達成している。
これらの結果は、軽量なハイブリッドLM-GNNアーキテクチャが、リレーショナルデータベースの基礎モデルへの有望かつ資源効率のよい経路を提供することを示唆している。
論文 参考訳(メタデータ) (2026-05-15T15:46:38Z) - RDBLearn: Simple In-Context Prediction Over Relational Databases [21.996337463952255]
簡単なレシピを簡単なレシピでリレーショナルな予測に拡張できることを示す。
本手法は,Scikit-learn-style estimator インタフェースを備えた使いやすいツールキットである textitRDBLearn に実装する。
RelBenchと4DBInferデータセットの広範なコレクションの中で、RDBLearnは私たちが評価した最も優れた基盤モデルアプローチです。
論文 参考訳(メタデータ) (2026-02-14T09:24:04Z) - RelBench v2: A Large-Scale Benchmark and Repository for Relational Data [33.795728412518834]
RDLのためのRelBenchベンチマークのメジャー拡張であるRelBench v2を紹介する。
RDLモデルは、オートコンプリート予測とレコメンデーションタスクで、シングルテーブルベースラインを一貫して上回る。
論文 参考訳(メタデータ) (2026-02-13T04:23:48Z) - 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) - CORE-T: COherent REtrieval of Tables for Text-to-SQL [91.76918495375384]
CORE-Tはスケーラブルでトレーニング不要なフレームワークで、テーブルに目的のメタデータを付加し、軽量なテーブル互換キャッシュをプリコンプリートする。
バード、スパイダー、MMQAを越えて、CORE-Tはテーブル選択F1を最大22.7ポイント改善し、最大42%のテーブルを検索する。
論文 参考訳(メタデータ) (2026-01-19T14:51:23Z) - Relational Transformer: Toward Zero-Shot Foundation Models for Relational Data [38.656987194921854]
Transformer (RT) アーキテクチャは、様々なリレーショナルデータベース上で事前トレーニングすることができる。
RTは強いゼロショットを破り、バイナリ分類タスクにおいて、完全に教師されたAUROCの93%を平均化する。
論文 参考訳(メタデータ) (2025-10-07T18:51:51Z) - RelGNN: Composite Message Passing for Relational Deep Learning [56.48834369525997]
RelGNNはリレーショナルデータベースから構築されたグラフのユニークな構造特性を活用するために特別に設計された新しいGNNフレームワークである。
RelGNNは、Relbench(Fey et al., 2024)から30の多様な実世界のタスクで評価され、ほとんどのタスクで最先端のパフォーマンスを実現し、最大25%の改善を実現している。
論文 参考訳(メタデータ) (2025-02-10T18:58:40Z) - Towards Better Understanding Table Instruction Tuning: Decoupling the Effects from Data versus Models [62.47618742274461]
既存の公開トレーニングデータセットに基づいて、Mistral、OLMo、Phiファミリーからベースモデルを微調整します。
我々のレプリケーションは、既存のテーブルLLMと同等以上のパフォーマンスを実現しています。
トレーニングデータとベースモデルのコントリビューションを分離し、個々の影響に関する洞察を提供する。
論文 参考訳(メタデータ) (2025-01-24T18:50:26Z)
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。