Supervised Learning on Relational Databases with Graph Neural Networks
Amazon Web Services（亚马逊云服务）
大多数数据科学家和机器学习从业者在工作中使用关系数据[State of ML and Data Science 2017，Kaggle，Inc.]。但是在存储在关系数据库中的数据上训练机器学习模型需要大量的数据提取和特征工程工作。这些工作不仅代价高昂，而且还破坏了数据中潜在的重要关系结构。我们介绍了一种方法，使用图神经网络来克服这些挑战。我们提出的方法在三个数据集中的两个数据集上的性能优于最先进的自动特征工程方法。
2020-02-06 cs.AI cs.DB cs.LG
Rel-MOSS: Towards Imbalanced Relational Deep Learning on Relational Databases
Department of Data Science and Artificial Intelligence（数据科学与人工智能系）；Hong Kong Polytechnic University（香港理工大学）；School of Computer Science and Engineering（计算机科学与工程学院）；Central South University（中南大学）；School of Information and Communication Technology（信息与通信技术学院）；Griffith University（格里菲斯大学）；National Super Computing Center（国家超级计算中心）
针对关系数据库中实体分类的类别不平衡问题，提出关系中心少数类合成过采样GNN（Rel-MOSS），通过关系门控控制器和关系引导的少数类合成器提升少数类表示，在12个数据集上平均平衡准确率提升2.46%，G-Mean提升4.00%。
2026-05-28 cs.AI cs.DB cs.LG
Integrating Temporal and Structural Context in Graph Transformers for Relational Deep Learning
University of Pennsylvania（宾夕法尼亚大学）；SAP（SAP公司）
本文针对关系数据建模中时间信息利用不足和单任务限制问题，提出时间子图采样器和关系图感知器RGP，通过潜在瓶颈整合时空上下文并支持多任务联合学习，在多个基准上取得最优性能。
2025-11-06 cs.AI cs.LG
Towards Foundation Models for Relational Databases with Language Models and Graph Neural Networks
University of Stuttgart, Stuttgart, Germany（斯图加特大学）；Internet Science Research Group, University of Southampton, Southampton, United Kingdom（互联网科学研究组，南安普顿大学）
本文提出结合语言模型和图神经网络的混合架构，通过关系实体图建模提升关系数据库的预测性能，实验表明其在多个任务中表现优异，接近监督基线并缩小与RDL的差距。
2026-05-15 cs.AI cs.DB
MoMQ: Mixture-of-Experts Enhances Multi-Dialect Query Generation across Relational and Non-Relational Databases
Zhejiang University（浙江大学）；Alibaba Group（阿里巴巴集团）
本文提出基于混合专家的 MoMQ 框架，通过方言专家组、多级路由和共享专家组提升跨关系型与非关系型数据库的多方言查询生成，并构建覆盖 MySQL、PostgreSQL、Cypher、nGQL 的基准。
2024-10-24 cs.AI cs.CL cs.DB
Support-Set Target Leakage in Relational Foundation Models during In-Context Learning: Impact, Detection, and Mitigation
SAP（思爱普）
本研究提出关系型上下文学习中的支持集目标泄漏问题，构建14种泄漏类型，用积分梯度检测并移除泄漏列，发现目标表泄漏者影响最大且IG可部分恢复性能。
2026-09-30 cs.AI
MetaSieve: Faster Relational Deep Learning through SQL-Based Metapath Selection
University of Texas at Arlington（德克萨斯大学阿灵顿分校）
MetaSieve是一种基于SQL的元路径选择层，可剪枝关系深度学习中无信息的元路径，在多种GNN架构上能大幅缩短训练时间并维持或提升准确性。
2026-08-27 cs.DB cs.LG
FactorBase: SQL for Learning A Multi-Relational Graphical Model
Simon Fraser University（西蒙弗雷泽大学）
我们描述FactorBase，一个新的基于SQL的框架，利用关系数据库管理系统，以支持多关系模型发现。多关系统计模型提供了对数据库中异构和相互依赖的数据资源的综合分析。我们采用BayesStore的设计理念：统计模型作为一等公民在数据库中存储和管理。虽然像BayesStore这样的系统支持多关系推理，但FactorBase支持多关系学习。六个基准数据库的案例研究评估我们的系统如何支持一个具有挑战性的机器学习应用程序，即学习一阶贝叶斯网络模型的整个数据库。在这种情况下，模型学习必须检查数据表之间的大量潜在统计关联。我们的实现展示了FactorBase中的SQL结构如何促进高度可扩展的模型学习系统的快速，模块化和可靠的开发。
2015-08-10 cs.DB cs.LG
Probabilistic Relational Model Benchmark Generation
LARODEC Laboratory（拉罗德克实验室）；ISG（突尼斯高等管理学院）；Université de Tunis（突尼斯大学）；DUKe research group（DUKe研究组）；LINA Laboratory UMR 6241（LINA实验室（法国国家科研中心联合研究单位6241））；University of Nantes（南特大学）；DataForPeople
任何数据库挖掘方法的验证都要经过一个评估过程，其中基准的可用性至关重要。在本文中，我们的目标是随机生成关系数据库基准，允许检查属性之间的概率依赖关系。我们对概率关系模型（PRM）特别感兴趣，它将贝叶斯网络（BN）扩展到关系数据采掘环境，并在关系数据上实现有效和鲁棒的推理。尽管一系列的工作都集中在随机贝叶斯网络和关系数据库的生成上，但还没有发现PRM在这方面的工作。本文提供了一种从头开始生成随机PRM的算法方法来填补这一空白。所提出的方法允许从随机生成的关系模式和随机的一组概率依赖关系生成PRM以及合成关系数据。这不仅对机器学习研究人员在通用框架中评估他们的建议感兴趣，而且对数据库设计人员评估数据库管理系统组件的有效性也感兴趣。
2016-03-02 cs.AI cs.LG
The CTU Prague Relational Learning Repository
该仓库提供148个多关系SQL数据库及元数据，以支持机器学习研究，由捷克理工大学托管。
2025-03-26 cs.DB cs.LG
SQL for SRL: Structure Learning Inside a Database System
Simon Fraser University（西蒙弗雷泽大学）
我们在本文中主张的立场是，关系代数可以提供一个统一的语言来表示和计算的关系对象，就像线性代数为传统的单表机器学习。关系代数是在结构化查询语言（SQL）中实现的，它是关系数据库管理系统的基础。为了支持我们的立场，我们已经开发了FACTORBASE系统，它使用SQL作为高级脚本语言，用于图形模型结构的语义关系学习。FACTORBASE的设计理念是将统计模型作为数据库中的一等公民进行管理。我们的实现展示了我们的SQL结构在FACTORBASE中如何促进快速，模块化和可靠的程序开发。来自六个基准数据库的经验证据表明，利用数据库系统的能力，实现可扩展的模型结构学习。
2015-07-02 cs.DB cs.LG
RelICL: Training-free Relational Learning with Tabular Foundation Models
University of Mannheim（曼海姆大学）
本文提出RelICL方法，利用表格基础模型通过模式图逐步传播信息，解决深度特征合成中的特征爆炸与交互盲区问题，在RelBench任务上与最强DFS方法性能相当。
2026-10-02 cs.LG
Relational Deep Learning: Graph Representation Learning on Relational Databases
Stanford University（斯坦福大学）；Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；Yale University（耶鲁大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出 Relational Deep Learning，将关系数据库建模为主外键连接的时序异构图，并用消息传递 GNN 端到端学习，配合 RelBench 基准实现多表数据的直接建模。
2023-12-07 cs.DB cs.LG
SPARE: A Single-Pass Neural Model for Relational Databases
Technical University of Darmstadt（达姆施塔特工业大学）；DFKI（德国人工智能研究中心）
本文提出了一种用于关系型数据库的新型单遍神经网络模型SPARE，通过利用数据的规则结构在单次遍历中完成训练，在保持与GNNs相似准确率的同时显著提升了训练和推理速度。
2023-10-20 cs.AI cs.DB
Database Views as Explanations for Relational Deep Learning
Northeastern University（东北大学）
本文提出了一种基于视图定义的关系深度学习解释框架，通过可学习掩码实现模型特定的解释方法，提升了解释效率和质量。
2026-01-09 cs.DB cs.LG
Revisiting Simple Baselines for Relational Deep Learning
University of Würzburg（维尔茨堡大学）；Seamless Labs, Inc.（Seamless Labs 公司）；Stanford University（斯坦福大学）
本研究重新探索简单传播方法作为关系深度学习基线的有效性，提出适配关系实体图的低通特征传播与MLP结合，结合Correct-and-Smooth优化预测，在RelBench任务上表现优异，明确元图构建是关键挑战。
2026-10-14 cs.LG
Generating Realistic Synthetic Relational Data through Graph Variational Autoencoders
Aindo；University of Trieste（的里雅斯特大学）；Katholieke Universiteit Leuven（鲁汶大学）；Business Integration Partners (BIP)（商业集成伙伴公司（BIP））；Chaucer（乔叟公司）
合成数据生成作为传统数据匿名化的更可靠的替代方案最近获得了广泛的关注。所涉及的方法最初是为图像合成而开发的。因此，它们在医疗保健、金融和其他行业的典型表格和关系数据集上的应用是非常重要的。虽然大量的研究已经致力于现实的表格数据集的生成，合成关系数据库的研究仍处于起步阶段。在本文中，我们结合变分自编码器框架与图神经网络来生成真实的合成关系数据库。然后，我们将得到的方法应用到两个公开的数据库中的计算实验。结果表明，真实数据库的结构准确地保留在合成数据集，即使是大型数据集与先进的数据类型。
2022-11-30 cs.AI cs.LG
Relational Database Distillation: From Structured Tables to Condensed Graph Data
The University of Queensland（昆士兰大学）；Shandong University（山东大学）
本研究提出关系数据库蒸馏方法，将大规模结构化数据库压缩为紧凑图数据，保留预测能力，通过异质图结构和核岭回归引导目标实现高效学习。
2026-01-20 cs.DB cs.LG
Temporal Heterogeneous Graph Pretraining for Relational Deep Learning
RWTH Aachen University（亚琛工业大学）；Fraunhofer FIT（弗劳恩霍夫应用信息技术研究所）
针对关系深度学习中的时序异构图，提出结合多尺度与旋转时间编码及三目标自监督的两阶段预训练框架，在RelBench数据集上显著提升下游任务性能。
2026-09-29 cs.LG
Rel-HNN: Split Parallel Hypergraph Neural Network for Learning on Relational Databases
University of Dhaka（达卡大学）；Brac University（布拉克大学）
本文提出超图神经网络框架 rel-HNN，将属性-值对建模为节点、元组建模为超边以捕捉细粒度关系结构，并通过分割并行多 GPU 训练算法解决大规模关系数据库的可扩展性问题，在分类和回归任务上显著优于现有方法。
2025-07-16 cs.DB cs.DC cs.LG
Neuro-Relational Programs: Unifying Queries and Neural Computation over Structured Data
ILLC, University of Amsterdam（伊拉斯谟罗素学院，阿姆斯特丹大学）；Leipzig University（莱比锡大学）；ScaDS.AI Center（ScaDS.AI研究中心）；Technion（技术学院）；RelationalAI（关系AI）
提出神经关系程序（NRP），一种扩展Datalog规则的声明式查询语言，通过嵌入操作融合关系推理与可学习神经组件，实现关系数据上的通用神经计算。
2026-10-16 cs.CC cs.DB cs.LG
A Locality Radius Framework for Understanding Relational Inductive Bias in Database Learning
Vishwakarma Institute of Technology（维什瓦卡玛技术学院）
本文提出局部半径框架，用于分析数据库学习中关系归纳偏置的影响，通过实验揭示任务局部半径与架构聚合深度的对齐关系。
2026-02-19 cs.LG
Tackling prediction tasks in relational databases with LLMs
Poznan University of Technology（波兹南理工大学）；Snowflake AI Research（Snowflake人工智能研究院）；Adam Mickiewicz University（亚当密茨凯维奇大学）
本研究针对LLM在关系数据库预测任务中应用不足的问题，利用RelBench基准证明即使直接应用LLM也能取得有竞争力的性能，从而将其确立为关系数据库机器学习的新基线。
2024-11-18 cs.CL cs.DB cs.LG
RDBLearn: Simple In-Context Prediction Over Relational Databases
University of Hong Kong（香港大学）；Shanghai X-Lab（上海X-Lab）
RDBLearn通过关系数据库中的上下文学习方法，实现了对多表关联数据的高效预测，优于传统监督基线。
2026-02-14 cs.AI cs.DB cs.LG
RT-J: Large-Scale Pretraining of Relational Transformers for Context-Efficient Predictions
Stanford University（斯坦福大学）；SAP（思爱普）
本文提出85M参数的关系基础模型RT-J，通过构建含639个数据库的数据集、轻量级随机游走检索器及上下文调优等技术，在RelBench回归任务上仅需1/10示例即可达到同类模型性能，推进了关系数据上下文高效预测的前沿。
2026-10-16 cs.AI cs.DB cs.LG
Universal Encoders for Modular Relational Deep Learning
Czech Technical University in Prague（捷克布拉格理工大学）
提出通用行编码器，通过解耦行编码与图消息传递，结合元数据和全局统计的Transformer模块，实现跨数据库知识迁移，提升RelBench基准上的学习收敛性和内存效率。
2026-06-23 cs.DB cs.LG
A Pre-training Framework for Relational Data with Information-theoretic Principles
Michigan State University（密歇根州立大学）；Snap Inc.（Snap公司）
本文提出TVE框架，通过关系模式图的集合聚合建模下一窗口的关系动态，以提升关系数据库预训练任务的性能。
2026-01-30 cs.AI cs.LG
PluRel: Synthetic Data unlocks Scaling Laws for Relational Foundation Models
Stanford University（斯坦福大学）；SAP Labs LLC（SAP实验室）
PluRel通过合成多表关系数据库，实现了关系基础模型在扩展定律上的突破，展示了合成数据在提升模型泛化能力方面的潜力。
2026-07-15 cs.AI cs.DB cs.LG
GFS: Graph-based Feature Synthesis for Prediction over Relational Databases
Shanghai Jiao Tong University（上海交通大学）；AWS Shanghai AI Laboratory（AWS上海人工智能实验室）
本文提出GFS框架，将关系数据库建模为异构图以保留关系结构，并结合单表模型归纳偏置自动捕捉表内复杂关系，从而免去手动特征工程，在四个真实多表数据库上取得优于现有方法的预测性能。
2023-12-04 cs.DB cs.LG
Row Conditional-TGAN for generating synthetic relational databases
Croesus（克洛伊索斯）；Croesus Lab（克洛伊索斯实验室）
除了再现独立表的表格数据属性之外，合成关系数据库还需要对相关表之间的关系进行建模。在本文中，我们提出了行条件-表格生成对抗网络（RC-T GAN），这是一种新型生成对抗网络（GAN）模型，它扩展了表格式GAN以支持建模和合成关系数据库。RC-T GAN通过将父行的条件数据合并到子表的GAN的设计中来对表之间的关系信息进行建模。我们进一步扩展了RC-TGAN模型的影响，祖表行可能对他们的孙子行，为了防止这种连接的丢失时，父表的行未能传输此关系信息。使用8个真实的关系数据库的实验结果表明，与基准系统相比，合成的关系数据库的质量有了显著的提高，证明了RC-TGAN在保持原始数据库表之间关系方面的有效性。
2022-11-14 cs.DB cs.LG
Predictive Query Language: A Domain-Specific Language for Predictive Modeling on Relational Databases
Kumo.ai, Stanford University（Kumo.ai，斯坦福大学）
PQL是一种用于关系数据库预测建模的声明式语言，通过单个查询自动计算训练标签，支持多种机器学习任务，已在金融欺诈、推荐系统等领域应用。
2026-07-27 cs.AI cs.DB cs.LG
Compiling Relational Database Schemata into Probabilistic Graphical Models
University of Massachusetts（马萨诸塞大学）；Microsoft Research（微软研究院）
在这项工作中，我们提出了一种方法，使用关系数据库模式自动构建贝叶斯图形模型的数据库，而不是需要一个领域的专家来指定的数据的概率依赖关系。此生成的模型包含列的自定义分布、对数据进行聚类的潜在变量以及反映和表示外键链接的因子。实验证明了该模型的准确性和推理的可扩展性的合成和真实世界的数据。
2012-12-05 cs.AI cs.DB cs.LG
Neural Feature Learning From Relational Database
IBM Research（IBM研究院）；Dublin Research Laboratory（都柏林研究实验室）
特征工程是数据科学中最重要也是最繁琐的任务之一。本文研究了从关系数据库中进行特征学习的自动化。我们首先从理论上证明，从关系数据中找到预测任务的最佳特征是NP难的。我们提出了一种有效的基于规则的方法的基础上，数学和深度神经网络自动学习适当的功能，从关系数据。我们在过去的Kaggle比赛中对我们的方法进行了基准测试。我们的新方法赢得了最后的奖牌，并以显著的优势击败了最先进的解决方案。据我们所知，这是自动化数据科学系统首次在Kaggle竞赛中使用复杂的关系数据库赢得奖牌。
2019-06-15 cs.AI cs.LG
BERT Meets Relational DB: Contextual Representations of Relational Databases
Indian Institute of Technology, Delhi（德里印度理工学院）
在本文中，我们解决的问题，学习低维表示的实体在关系数据库组成的多个表。嵌入有助于捕获数据库中编码的语义，并可用于各种设置，如表的自动完成，关系连接查询的全神经查询处理，无缝处理缺失值等。目前的工作仅限于使用单个表，或者在外部语料库上使用预训练的嵌入，这使得它们不适合在现实世界的数据库中使用。在这项工作中，我们研究如何使用这些基于注意力的模型来学习嵌入的实体在关系数据库。我们的灵感来自于BERT风格的预训练方法，并有兴趣观察它们如何在结构化数据库上扩展为表示学习。我们评估我们的方法的自动完成的关系数据库，并实现了改进的标准基线。
2021-04-30 cs.CL cs.DB cs.LG
Combining Heterogeneous Classifiers for Relational Databases
大多数企业数据分布在多个关系数据库中，并具有专家设计的模式。对这样的数据使用传统的单表机器学习技术不仅会导致转换为“平面”形式（mega-join）的计算损失，甚至会丢失关系中存在的人类指定的语义信息。在本文中，我们提出了一个实用的，两个阶段的层次元分类算法的关系数据库与语义分而治之的方法。我们提出了一个递归的，预测聚合技术在异构分类应用于个人数据库表。该算法在三个不同的数据集上进行了评估，即TPCH，PKDD和UCI基准，并显示出相当大的减少分类时间，而没有任何损失的预测精度。
2012-03-12 cs.DB cs.LG
Structural Adversarial Attacks on Relational Deep Learning under Integrity Constraints
Univ. Grenoble Alpes, CNRS, Grenoble INP, LIG（格勒诺布尔阿尔卑斯大学、法国国家科学研究中心、格勒诺布尔国立综合理工学院、格勒诺布尔信息与图像实验室）；Singapore Institute of Technology（新加坡科技学院）
研究关系深度学习在完整性约束下的对抗鲁棒性，白盒攻击者通过重连外键引用攻击上游数据库，探索七种攻击启发式方法，基于梯度的攻击在回归任务中表现优，分类任务收益小。
2026-07-09 cs.DB cs.LG
On Embeddings in Relational Databases
IIT Delhi（印度理工学院德里分校）
我们解决的问题，学习分布式表示的实体在关系数据库使用低维嵌入。低维嵌入旨在以最小的信息损失封装底层数据集的简洁向量表示。在关系数据库中跨实体的嵌入由于涉及错综复杂的数据关系和表示复杂性而较少被探索。关系数据库是交织的关系集合，其不仅对实体之间的关系进行建模，而且还记录定义实体之间的复杂关系的数据的复杂域特定的定量和时间属性。最近的方法学习嵌入构成了一个天真的方法来考虑完全反规范化的数据库，通过具体化的所有表的完整连接，并表示为一个知识图谱。这种流行的方法有一定的局限性，因为它不能捕获行间关系和关系数据库中编码的附加语义。在本文中，我们证明;一种更好的方法，通过利用表中列的底层语义，同时使用关系连接和潜在的行间关系来学习表示。在一个真实世界的数据库的相似性连接和表完成任务的评价实证结果支持我们的主张。
2020-05-13 cs.DB cs.LG
Natural Language Query Engine for Relational Databases using Generative AI
IBM France（IBM法国公司）
针对非技术用户因缺乏SQL知识难以查询关系数据库的问题，提出基于生成式AI的自然语言查询引擎，可自动将自然语言查询转译为语法语义正确的SQL并生成自然语言响应，实现数据访问普惠化并提升效率。
2024-09-23 cs.AI cs.DB cs.LG
Transformers Meet Relational Databases
Department of Computer Science, Czech Technical University in Prague（计算机科学系，布拉格捷克技术大学）
针对 Transformer 难以处理关系数据库的问题，本文提出遵循关系模型的模块化神经消息传递方案，支持从数据库存储端到端学习，并在广泛数据集上验证其性能优于多个相关领域的代表性模型。
2024-12-06 cs.DB cs.LG
The Duck's Brain: Training and Inference of Neural Networks in Modern Database Engines
University of Bamberg（班贝格大学）；TUM（慕尼黑工业大学）
本文提出在SQL中通过关系表示训练神经网络，克服关系模型障碍，并比较数组类型与关系表示的性能，证明现代数据库适用于矩阵运算。
2023-12-28 cs.DB cs.LG
RDBench: ML Benchmark for Relational Databases
本文提出 RDBench 基准，通过统一表格、同构图和异构图接口，首次支持 XGBoost 到图神经网络等不同领域方法在关系数据库预测任务上的可复现比较。
2023-10-30 cs.AI cs.DB cs.LG
Computing Multi-Relational Sufficient Statistics for Large Databases
Simon Fraser University（西蒙弗雷泽大学）
数据库包含有关实体之间存在和不存在哪些关系的信息。为了使这些信息可用于统计分析，需要计算足够的统计数据，这些统计数据将来自不同数据库表的信息组合在一起。这样的统计可以涉及任何数量的{ \em正和负}关系。使用朴素枚举方法，计算足够的负关系统计数据仅适用于小型数据库。我们解决了这个问题，一个新的动态规划算法，执行虚拟连接，计算所需的计数，而不物化连接表。列联表代数是关系代数的一个新的扩展，它有助于有效地实现这种Möbius虚连接操作。Möbius Join可扩展到具有复杂模式的大型数据集（超过1 M元组）。七个基准数据集的实证评估表明，有关链接的存在和不存在的信息可以利用在特征选择，关联规则挖掘，贝叶斯网络学习。
2014-08-22 cs.DB cs.LG
Synthesize, Retrieve, and Propagate: A Unified Predictive Modeling Framework for Relational Databases
AWS Shanghai AI Lab（AWS上海人工智能实验室）
提出统一预测建模框架SRP，通过特征合成、信息检索和图消息传播捕获关系数据库中的一元与复合依赖性，扩大感受野，在五个真实数据集上验证了有效性。
2025-08-10 cs.DB cs.LG
IRG: Modular Synthetic Relational Database Generation with Complex Relational Schemas
University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；National University of Singapore（新加坡国立大学）
IRG提出一种模块化框架，通过学习关系连接上下文生成合成关系数据库，有效处理复杂关系模式和数据相关性。
2025-12-14 cs.DB cs.LG
Differentially Private Synthetic Data Generation for Relational Databases
MIT（麻省理工学院）；RedHat AI Innovation（红帽人工智能创新部）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）
针对现有差分隐私合成数据生成仅适用于单表的问题，提出首个可与任意DP机制结合的算法，迭代优化表间关系以生成保持参照完整性的合成关系数据库，兼具空间与时间效率，并具备DP与理论效用保证。
2025-01-18 cs.CR cs.DB cs.LG
AskYourDB: An end-to-end system for querying and visualizing relational databases using natural language
Thoucentric
在数据库中查询正确的信息是一项耗时且容易出错的任务，通常需要经验丰富的专业人员来完成这项工作。此外，用户需要对数据库有一些先验知识。已经有各种努力来开发一种智能，可以帮助商业用户直接查询数据库。然而，已经取得了一些成功，但在为现实世界的用户测试和部署这些方面却很少。在本文中，我们提出了一种语义解析方法来解决将复杂的自然语言转换为SQL的挑战，并制定出一个productoutit.For这个目的，我们修改了国家的最先进的模型，通过各种预处理和后处理步骤，使模型部署在生产中的重要组成部分。为了使产品服务于企业，我们在查询结果上添加了一个自动可视化框架。
2022-10-16 cs.CL cs.DB cs.IR
RelDiff: Relational Data Generative Modeling with Graph-Based Diffusion Models
University of Ljubljana（卢布尔雅那大学）；Stanford University（斯坦福大学）
RelDiff提出一种基于扩散模型的关系数据库生成方法，通过联合图条件扩散建模属性并利用随机块模型生成外键图结构，在11个基准数据集上优于现有方法。
2025-05-31 cs.LG
RDL-Bench: A Benchmark for Task-Aware Question Answering over Relational Databases
RDL-Bench是面向关系数据库的任务感知问答基准，将问题分为推理导向与预测导向两类，支持原生求解器与模块化系统两种评估设置，填补了现有基准的孤立性空白。
2026-10-16 cs.LG
Flaky Performances when Pretraining on Relational Databases
ServiceNow Research（ServiceNow研究院）
我们探讨了图神经网络（GNN）自监督学习（SSL）方法的下游任务性能，这些方法是在从关系数据库（RDBs）中提取的子图上训练的。直观地说，SSL和GNN的联合使用应该允许利用更多的可用数据，这可以转化为更好的结果。然而，我们发现，天真地移植对比SSL技术可能会导致“负转移”：对来自预训练模型的固定表示的线性评估比随机初始化模型的表示更差。基于对比SSL的GNN的消息传递层的冲突的猜想，我们提出了InfoNode：一个对比损失，旨在最大限度地提高节点的初始和最终层表示之间的互信息。主要的实证结果支持我们的猜想和有效性的InfoNode。
2022-11-09 cs.LG stat.ML
Joint Relational Database Generation via Graph-Conditional Diffusion Models
School of Computation, Information and Technology & Munich Data Science Institute（计算、信息与技术学院及慕尼黑数据科学研究所）
针对关系数据库生成中自回归方法顺序固定、并行性受限的问题，提出图条件关系扩散模型（GRDM），利用图神经网络联合去噪所有表，捕获复杂表间依赖，实验证明其多跳相关性建模优于基线且单表保真度达到最先进水平。
2025-05-22 cs.LG
