RDBLearn
PulseAugur coverage of RDBLearn — every cluster mentioning RDBLearn across labs, papers, and developer communities, ranked by signal.
-
新的RT-J模型在关系数据上提供上下文高效预测
研究人员推出RT-J,这是一种新的8500万参数关系基础模型(RFM),专为表格和关系数据上的上下文高效预测而设计。与现有方法相比,该模型仅用少量示例即可实现准确的预测。RT-J通过在大量网络爬取数据库的数据集上进行预训练,并利用一种新颖的轻量级检索器来获取上下文示例,以及通过上下文调整和集成来提高性能。
-
新的关系基础模型RT-J实现了上下文高效预测
研究人员开发了RT-J,一个拥有8600万参数的关系基础模型,专为表格和关系数据上的上下文高效预测而设计。与现有方法相比,该模型需要更少的示例即可实现准确预测。RT-J在来自639个网络爬取数据库的6,023个预测任务的大型数据集上进行了预训练,利用了长上下文和一种新颖的检索机制。在关系基准任务上,该模型在匹配强大的特征工程管道方面所需的示例数量减少了10倍。
-
Prior Labs 发布关系学习研究开源工具
Prior Labs 发布了三款旨在推进关系学习研究和可复现性的开源软件工具。RelArena-α 是一个用于在 RelBench v1 基准上比较模型的统一框架,标准化了数据加载和评估。TabPFN-Rel 是 TabPFN-3 的关系型工具,目前在 RelArena-α 上排名第一,并展示了将关系型数据库展平成单个表进行处理的竞争力。此外,关系预测接口 (RPI) 为早期采用者提供了一种模型无关的方式,可以将各种模型应用于新数据库。
-
新的 RDB 方法使基础模型无需重新训练
研究人员开发了一种新的关系数据库(RDB)方法,允许基础模型在无需重新训练的情况下执行预测任务。该方法将数据压缩限制在特定的高维列上,确保实体共享单元和角色。该方法使现有的单表基础模型能够处理多表 RDB,并且他们发布了一个名为 RDBLearn 的开源工具来实现这一编码器阶段。