ملخص تقني: دمج تصميم التعلم العميق في استعلامات قواعد البيانات

بيان المشكلة

لطالما تعذر دمج التعلم العميق (DL) وقواعد البيانات العلاقاتية بسبب عبء الهندسة المتمثل في "رحلة الذهاب والإياب". تتطلب النهج التقليدية ترجمة البيانات العلاقاتية إلى تمثيلات رسومية (حيث تصبح السجلات عُقداً وتصبح المفاتيح الخارجية حوافاً)، ثم تصدير هذه البيانات إلى أطر عمل خارجية للتعلم الآلي (مثل PyTorch Geometric أو DGL) لتدريب الشبكات العصبية الرسومية (GNNs). تفرض هذه العملية على المطورين العمل عبر نماذج متباينة: استخدام لغات استعلام تصريحية لإدارة البيانات، وأكواد أمرية (imperative) لتصميم النماذج. علاوة على ذلك، فإن أطر عمل التعلم الآلي الموجودة داخل قواعد البيانات تعمل على سد هذه الفجوات من خلال دمج أنواع التنسورات (tensors) وعمليات الجبر الخطي مباشرة في محرك الاستعلام، مما يتطلب من المستخدمين الحفاظ صراحةً على الاتصال بين البيانات المنطقية والتمثيلات المتجهة. يجادل المؤلفون بأن هذا الفصل هو فصل اصطناعي، وأن تحديد شبكة عصبية فوق البيانات العلاقاتية يجب أن يكون طبيعياً بقدر سهولة الاستعلام عن البيانات نفسها.

المنهجية: الجبر العصبي-العلاقاتي (NRA) و RelaNN

يقترح البحث نظام RelaNN، وهو إثبات مفهوم لدمج التعلم العميق مباشرة في استعلامات قواعد البيانات عبر توسيع النموذج العلاقاتي. تعتمد المنهجية الأساسية على الجبر العصبي-العلاقاتي (NRA)، وهو إطار عمل رسمي يربط كل سجل في قاعدة البيانات بمتجه قابل للتعلم (embedding).

1. النموذج البياني العصبي-العلاقاتي (NRM)

يوسع نموذج البيانات النموذج العلاقاتي الكلاسيكي عبر تعريف علاقة مدمجة $(r, \eta)$، حيث $r$ هو علاقة المحتوى القياسية و $\eta$ هو تعيين توضيحي (annotation mapping) يربط كل سجل بتمثيل متجه في $\mathbb{R}^d$. يسمح هذا للنظام بالعمل في آن واحد على المجال المنطقي (المحتوى) والمجال العددي (التمثيلات المتجهة).

2. العمليات العصبية-العلاقاتية

يوسع NRA العمليات العلاقاتية القياسية بعمليات تعالج كلاً من المحتوى والتمثيلات المتجهة:

• الربط ($\bowtie$): يقوم بعملية ربط طبيعي قياسية على المحتوى. بالنسبة للتمثيلات المتجهة، فإنه يقوم بدمج (concatenate) التمثيلات المتجهة للسجلات المساهمة من العلاقات المدخلة.
• الاتحاد المسقط ($\cup_{\alpha, A}$): عملية موحدة تجمع بين الإسقاط والاتحاد. تقوم بإسقاط السجلات على تسلسل سمات مشترك وتجمع التمثيلات المتجهة للسجلات ذات المحتوى المتطابق باستخدام مجمع متعدد المجموعات $\alpha$ (مثل الجمع، المتوسط، أو القيمة القصوى). يعالج هذا عملية تجميع التمثيلات المتجهة المطلوبة عندما تشير سجلات مدخلة متعددة إلى نفس السجل المخرج.
• التحويل ($T_\tau$): يطبق تحويلاً قابلاً للتفاضل $\tau$ (مثل شبكة تغذية أمامية، أو ReLU، أو طبقة خطية) على التمثيلات المتجهة لعلاقة ما. هذه هي الآلية الأساسية لإدخال المعلمات القابلة للتعلم.
• الاختيار، الفرق، وإعادة التسمية: تمرر هذه العمليات التمثيلات المتجهة دون تغيير، على غرار الجبر الكلاسيكي.

3. لغة RelaNN

RelaNN هي لغة تصريحية مبنية على NRA. تتكون البرامج من جمل قواعد (rule statements) تحدد كيفية اشتقاق علاقات مدمجة جديدة:

• قواعد الربط (Join Rules): تدمج العلاقات عبر عمليات الربط، وتطبق تحويلاً على التمثيلات المتجهة المدمجة، وتجمع عبر اتحاد مسقط.
• قواعد الاتحاد (Union Rules): توحد العلاقات ذات المخططات (schemas) المتطابقة، وتفلتر، وتحول التمثيلات المتجهة.
• جمل الملاءمة (Fit Statements): بنية لغوية (?fit) تقلل دالة الخسارة المحددة فوق علاقة مخرجة، مما يؤدي لتحديث التعيين العالمي للمعلمات (بما في ذلك كل من تمثيلات السجلات وأوزان التحويل).
• جمل التنبؤ (Predict Statements): تقيم البرنامج بالمعلمات الحالية لتجسيد النتائج.
• التوسعات: تدعم اللغة الأسماء المستعارة (aliases) لمشاركة المعلمات، وتعريفات الدوال لإعادة استخدام الكود، والترميز/فك الترميز (encoding/decoding) لنقل البيانات بين أعمدة المحتوى والتمثيلات المتجهة، والقوالب (templates) لتوليد قواعد متكررة (مثل آلية الانتباه متعددة الرؤوس).

4. خط الإنتاج التنفيذي (Implementation Pipeline)

يقوم RelaNN بتجميع البرنامج إلى رسم بياني للمصطلحات (Term Graph) (وهو رسم بياني موجه غير حلقي - DAG - من عمليات NRA). عند التنفيذ، يتم ترجمة هذا الرسم إلى خطة فيزيائية (Physical Plan) تعمل عبر SQL وcuDF وPyTorch:

• تحميل البيانات: تستخدم استعلامات SQL لجلب المحتوى من قاعدة البيانات.
• الربط/الاختيار: يتم تنفيذه عبر عمليات DataFrame في cuDF (مثل merge و index_select) التي تصدر تنسورات مؤشرات الصفوف (row-index tensors).
• معالجة التمثيلات المتجهة: تقوم عمليات PyTorch (مثل torch.index_select و scatter_add) بجلب وتجميع التمثيلات المتجهة بناءً على مؤشرات المحتوى، مع الحفاظ على القابلية الكاملة للتفاضل للتدريب الشامل (end-to-end).
• التحويل: تُطبق طبقات nn.Module المخصصة مباشرة عبر PyTorch.

المساهمات الرئيسية

1. الإطار الرسمي (NRA): تقديم الجبر العصبي-العلاقاتي، الذي يوحد معالجة الاستعلامات العلاقاتية وتصميم النماذج العصبية عبر توسيع النموذج العلاقاتي بتمثيلات سجلات قابلة للتعلم.
2. النظام التصريحي (RelaNN): نظام مفتوح المصدر يسمح للمستخدمين بتنفيذ بنيات تعلم رسومي متطورة باستخدام مفاهيم تشبه SQL/Datalog.
3. القدرة التعبيرية: إثبات القدرة على التعبير عن بنيات معقدة تشمل الشبكات العصبية التلافيفية الرسومية (GCN)، والشبكات العصبية التلافيفية العلاقاتية (R-GCN)، ومحولات الرسوم البيانية غير المتجانسة (HGT)، والشبكات العصبية فائقة الرسم (HyGNN)، وشبكات التماثل العميق (DHN) بعدد أقل بكثير من أسطر الكود مقارنة بالنماذج الأمرية المرجعية.
4. الأداء: حقق RelaNN، كإثبات مفهوم، دقة تنبؤية وأداء زمن تشغيل منافس مقارنة بالمكتبات المتخصصة مثل PyTorch Geometric.

النتائج التجريبية

قيم المؤلفون RelaNN مقابل التنفيذات المرجعية (PyTorch, PyG) عبر خمس بنيات على مجموعات بيانات متعددة (Cora, DBLP, AIFB, CSL, EXP, DrugBank, إلخ).

• إيجاز الكود: كانت برامج RelaNN أقصر بنحو 4 أضعاف من التنفيذات المرجعية. على سبيل المثال، تطلب تنفيذ شبكة التماثل العميق (DHN) 76 سطراً في RelaNN مقابل 259 سطراً في النموذج المرجعي.
• الدقة: استعاد RelaNN الدقة المرجعية لـ GCN و HGT. بالنسبة للنماذج الأخرى (R-GCN, HyGNN, DHN)، كانت النتائج ضمن انحراف معياري واحد من النماذج المرجعية أو طابقتها تماماً (على سبيل المثال، دقة 100% على مجموعة بيانات CSL لنموذج DHN).
• زمن التشغيل:
  • بالنسبة لـ GCN و HGT، كان زمن تشغيل RelaNN ضمن عامل 2 من النموذج المرجعي.
  • بالنسبة لـ DHN، كان RelaNN أسرع بمرتين إلى 14 مرة من النموذج المرجعي، ويُعزى ذلك إلى كفاءة التجميع التصريحي وتجنب أكواد التنسور المخصصة والمعقدة.
  • بالنسبة لـ R-GCN على مجموعة بيانات AIFB، كان RelaNN أبطأ بنحو 30 مرة من النموذج المرجعي torch-rgcn عالي التحسين. يعزو المؤلفون ذلك إلى كون التنفيذ الحالي هو إثبات مفهوم غير محسن وطبيعة النموذج المرجعي المتخصصة.

الأهمية والادعاءات

يدعي البحث أن RelaNN يوفر أساساً تصريحياً للتعلم العميق العلاقاتي، مما يثبت إمكانية تصميم وتدريب شبكات عصبية متطورة مباشرة فوق قواعد البيانات العلاقاتية دون الحاجة لتمثيلات رسومية وسيطة.

• البساطة: يجعل النظام تنفيذ البنيات المعقدة بسيطاً مثل كتابة استعلام، مما يزيل العبء الهندسي لترجمة البيانات وبناء الرسوم البيانية.
• التكامل: من خلال معاملة التمثيلات المتجهة كعناصر أساسية (first-class citizens) داخل النموذج العلاقاتي، يدمج هذا النهج الاستدلال المنطقي مع الاستدلال العددي بشكل طبيعي.
• الإمكانات المستقبلية: رغم أن التنفيذ الحالي هو نموذج أولي، إلا أن المؤلفين يجادلون بأنه يمثل "مساراً ملموساً" لجعل التعلم العميق فوق قواعد البيانات متاحاً بقدر سهولة الاستعلام القياسي. وقد حددوا أعمالاً مستقبلية تتعلق بالتوسع للتعامل مع مجموعات بيانات أكبر من ذاكرة وحدة معالجة الرسومات (عبر أخذ العينات والتدفق) وتحسين تنفيذ الاستعلام (دفع التحويلات للأسفل، ودمج النواة - kernel fusion) لسد فجوة الأداء مع المكتبات المتخصصة.

يصرح المؤلفون صراحةً أن عملهم لا يدعي استبدال الأنظمة المؤسسية، بل يهدف لإثبات جدوى وبساطة نهج موحد، مما يمهد الطريق لتحسينات مستقبلية وإمكانية تنفيذ نماذج تأسيسية علاقية.