RelGNN: Composite Message Passing for Relational Deep Learning

要約

リレーショナルデータベースの予測タスクは、eコマース、ヘルスケア、ソーシャルメディアにまたがる現実世界のアプリケーションで重要です。
これらのタスクに効果的に対処するために、リレーショナルディープラーニング（RDL）はリレーショナルデータをグラフとしてエンコードし、グラフニューラルネットワーク（GNN）を可能にして、改善された予測のためにリレーショナル構造を活用します。
ただし、既存の不均一なGNNは、多くの場合、リレーショナルデータベースの本質的な構造特性を見落とし、モデリングの非効率性につながります。
ここでは、リレーショナルデータベースのユニークな特性をキャプチャするように特別に設計された新しいGNNフレームワークであるRelgnnを紹介します。
私たちのアプローチの中心にあるのは、原子ルートの導入です。これは、高次の三者構造を形成するノードのシーケンスです。
これらの原子ルートに基づいて、RELGNNは不均一なノード間の新しい複合メッセージの通過メカニズムを設計し、それらの間の直接シングルホップの相互作用を可能にします。
このアプローチは、冗長な集計を回避し、情報の絡み合いを軽減し、最終的にはより効率的で正確な予測モデリングにつながります。
Relgnnは、Relbenchからの30の多様な現実世界のタスク（Fey et al。、2024）で評価され、最大25％の改善で一貫して最先端の精度を達成します。

要約(オリジナル)

Predictive tasks on relational databases are critical in real-world applications spanning e-commerce, healthcare, and social media. To address these tasks effectively, Relational Deep Learning (RDL) encodes relational data as graphs, enabling Graph Neural Networks (GNNs) to exploit relational structures for improved predictions. However, existing heterogeneous GNNs often overlook the intrinsic structural properties of relational databases, leading to modeling inefficiencies. Here we introduce RelGNN, a novel GNN framework specifically designed to capture the unique characteristics of relational databases. At the core of our approach is the introduction of atomic routes, which are sequences of nodes forming high-order tripartite structures. Building upon these atomic routes, RelGNN designs new composite message passing mechanisms between heterogeneous nodes, allowing direct single-hop interactions between them. This approach avoids redundant aggregations and mitigates information entanglement, ultimately leading to more efficient and accurate predictive modeling. RelGNN is evaluated on 30 diverse real-world tasks from RelBench (Fey et al., 2024), and consistently achieves state-of-the-art accuracy with up to 25% improvement.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google