RelBench：关系数据库上深度学习的基准测试
内容提要
关系深度学习（RDL）通过自动学习图引导，简化了多表关系数据库中的机器学习模型构建。引入的RDBench基准测试促进了可复现的研究，支持多种机器学习方法的比较。此外，研究提出了深度关系度量学习（DRML）框架和记忆增强的关系推理模型RelNet，以提高图像聚类和检索的效果。
延伸解读
RDBench：推动关系数据库机器学习标准化
RDBench 基准测试的引入旨在促进多表关系数据库上可复现的机器学习研究。它为不同机器学习领域提供多样的关系数据库数据集，使得从 XGBoost 到图神经网络等方法可以进行有意义的比较和评估。这有助于标准化评估流程，减少因数据集和任务不一致带来的偏差，为关系深度学习研究提供共同基础。
关系深度学习：简化多表数据建模
关系深度学习通过自动学习图引导，简化了多表关系数据库中的机器学习模型构建。它无需手动特征工程，直接学习跨多个表格的数据，提取利用所有输入数据的表示，从而构建更准确的模型且速度更快。这种方法降低了使用机器学习模型处理关系数据库的复杂性和时间成本。
DRML与RelNet：关系推理的具体应用
深度关系度量学习框架利用可自适应学习的特征集合建模类内和类间分布，并通过关系模块和图建模进行关系推理，得到关系感知嵌入来测量相似性，提高了图像聚类和检索的效果。记忆增强的关系推理模型RelNet用于建立实体和关系之间的抽象知识图，在20个bAbI问答任务上平均错误率仅为0.3%，其中11个任务错误率为0%，表现出优异的问答能力。
Q&A
什么是关系深度学习（RDL）？
关系深度学习（RDL）是一种通过自动学习图引导的方法，简化了多表关系数据库中的机器学习模型构建，能够直接学习跨多个表格的数据。
RDBench基准测试的目的是什么？
RDBench基准测试旨在促进多表关系数据库上可复现的机器学习研究，并支持不同机器学习方法的比较和评估。
深度关系度量学习（DRML）框架的应用是什么？
深度关系度量学习（DRML）框架用于提高图像聚类和检索的效果，通过建模类内和类间分布来实现。
RelNet模型的特点是什么？
RelNet是一种记忆增强的关系推理模型，用于建立实体和关系之间的抽象知识图，表现出优异的问答能力。
如何解决关系型数据库中的预测模型发展问题？
通过将多表数据集转化为图形，并利用有效的子采样策略保留表格特性，研究提供了一种统一的可扩展工具箱来探索这些问题。
该研究提出了哪些关键范式？
该研究提出了DL-centric、UDF-centric和relation-centric三种关键范式，并强调了它们之间的整合需求和潜力。
