新型混合模型利用大型语言模型和图神经网络增强关系数据库处理能力

研究人员开发了一种新颖的混合架构，该架构结合了经过微调的BART语言模型和基于GraphSAGE的图神经网络（GNN），以更好地处理关系数据库信息。该方法旨在克服传统方法压平数据库而丢失关键关系上下文的局限性。在RelBench基准测试上的实验表明，这种混合模型显著增强了BART的行嵌入，在特定任务上达到了67.40的具有竞争力的ROC-AUC，并缩小了与现有关系深度学习方法的性能差距。 AI

影响 这项研究为开发关系数据库的基础模型提供了一种更具资源效率的方法，有望改善下游预测应用。

排序理由 该集群包含一篇详细介绍新模型架构和基准测试结果的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• BART
• GraphSAGE
• KumoRFM
• LightGBM
• RelBench

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →