Relational Deep Learning
PulseAugur coverage of Relational Deep Learning — every cluster mentioning Relational Deep Learning across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
New attacks probe adversarial robustness of relational deep learning pipelines
研究人员开发了新的方法来测试关系深度学习（RDL）管道的对抗鲁棒性。RDL管道常用于关系数据库上的机器学习。这些管道将数据库编码为图，其中节点代表元组，边代表主键到外键的依赖关系，然后训练图神经网络。该研究关注的是一个白盒攻击者，他可以在遵守模式完整性约束的前提下，重构数据库中的外键引用。研究在RelBench rel-f1基准上评估了包括梯度引导变体在内的七种攻击启发式方法，结果表明，对于回归任务，基于梯度的攻击比分类任务更有效。
-
新的对抗性攻击探究关系深度学习的鲁棒性
研究人员开发了新的方法来测试关系深度学习（RDL）模型的对抗性鲁棒性。这些攻击侧重于在遵守模式完整性约束的同时，操纵数据库中的外键引用。该研究引入了七种攻击启发式方法，包括梯度引导变体，这些方法在回归任务上表现出优于随机基线，尽管它们对分类任务的影响不太明显。
-
新研究详解关系深度学习的最佳图结构
研究人员确定了使图适用于关系深度学习的关键特征。他们发现，直接将数据库模式转换为图通常会导致信息过载和语义碎片化，从而影响性能。该研究提出，通过过滤和注入操作来调整这些图可以显著提高准确性并降低各种任务的推理成本。
-
新的Rel-MOSS方法解决了关系深度学习中的不平衡数据问题
研究人员推出了一种新颖的方法Rel-MOSS，用于解决关系数据库上关系深度学习中的类别不平衡问题。该方法旨在通过采用以关系为中心的合成过采样技术，防止少数实体被多数实体所掩盖。Rel-MOSS利用了关系门控控制器来调节邻域消息，并使用关系引导合成器在过采样过程中保持关系一致性。实验表明，Rel-MOSS在平衡准确率和G-Mean方面分别提高了高达2.46%和4.00%，优于最先进的方法。
-
FROG框架学习用于深度学习的关系数据库图结构
研究人员开发了FROG，一个用于关系深度学习（RDL）的新型框架，它解决了关系数据库建模中固定图结构的局限性。FROG引入了一种可学习的图结构学习方法，允许表在消息传递机制中动态地作为节点和边做出贡献。该框架能够联合优化图结构和GNN表示，并纳入函数依赖约束以保持语义一致性。实验表明，FROG优于现有方法，并能深入了解表角色如何影响下游任务。