🤖 machine learning

AutoGrable: What Is a Good Graph for a Table?

AutoGrable एक लागत प्रभावी विधि है जो लेबल संरेखण (label alignment) को अधिकतम करने और अधिभोग जोखिम (occupancy risk) को न्यूनतम करने के लिए कॉलमों का चयन करके, तालिकाओं और रिलेशनल डेटाबेस से स्वतः ही इष्टतम ग्राफ का निर्माण करती है, और यह सब बिना किसी ग्राफ न्यूरल नेटवर्क के प्रशिक्षण की आवश्यकता के किया जाता है।

मूल लेखक: Tamara Cucumides, Floris Geerts

प्रकाशित 2026-08-13

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Tamara Cucumides, Floris Geerts

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

द ग्रेट ग्राफ हंट: टेबल्स को मैप्स में बदलना

कल्पना कीजिए कि आप एक कंप्यूटर को एक विशाल स्प्रेडशीट में पैटर्न पहचानने के लिए सिखाने की कोशिश कर रहे हैं, जैसे कि हजारों ग्राहकों और उनकी खरीदारी की सूची। मशीन लर्निंग की दुनिया में, एक बहुत ही स्मार्ट टूल है जिसे ग्राफ न्यूरल नेटवर्क (GNN) कहा जाता है। GNN को एक ऐसे जासूस के रूप में सोचें जो यह देखकर रहस्य सुलझाता है कि चीजें आपस में कैसे जुड़ी हुई हैं। यदि आपके पास एक शहर का नक्शा है, तो जासूस एक घर से पड़ोसी के पास, फिर उस पड़ोसी के दोस्त के पास जा सकता है, और रास्ते में सुराग इकट्ठा कर सकता है। यह "चलना" या "मैसेज पासिंग" ही वह तरीका है जिससे जासूस सीखता है।

लेकिन यहाँ एक पेंच है: GNN को काम करने के लिए एक नक्शे (ग्राफ) की आवश्यकता होती है। उन्हें यह जानने की जरूरत है कि कौन से बिंदु (नोड्स) रेखाओं (एजेस) द्वारा जुड़े हुए हैं। समस्या यह है कि अधिकांश डेटा टेबल्स में आता है—पंक्तियों और कॉलमों के रूप में—जैसे कि एक मानक स्प्रेडशीट। एक स्प्रेडशीट अपने आप में कोई नक्शा लेकर नहीं आती। यह केवल तथ्यों की सूची देती है। इसलिए, इससे पहले कि जासूस रहस्य सुलझाने का काम शुरू कर सके, किसी को नक्शा बनाना होगा। उन्हें यह तय करना होगा: "क्या यह ग्राहक उस दूसरे ग्राहक से जुड़ा है? क्या वे इसलिए दोस्त हैं क्योंकि वे एक ही शहर में रहते हैं? या इसलिए क्योंकि उन्होंने एक ही तरह के जूते खरीदे हैं?"

आमतौर पर, लोग इन नक्शों को अनुमान लगाकर, सख्त नियमों का पालन करके, या सौ अलग-अलग नक्शों को आजमाकर और यह देखकर बनाते हैं कि कौन सा नक्शा जासूस को सबसे अच्छा स्कोर दिलाने में मदद करता है। लेकिन सौ नक्शों को आज़माना धीमा, महंगा और अक्सर गलत कारणों से एक ऐसा नक्शा बनाने की ओर ले जाता है जो दिखने में तो अच्छा लगता है पर असल में काम का नहीं होता। बड़ा सवाल यह है: हम जासूसी का काम शुरू करने से पहले यह कैसे जान सकते हैं कि एक अच्छा नक्शा कैसा दिखता है?

AutoGrable का जादू: बिना नक्शा बनाए नक्शा बनाना

यह पेपर AutoGrable नामक एक चतुर नई विधि पेश करता है (जो "Auto" और "Grable" का मिश्रण है, जो कि एक टेबल को ग्राफ में बदलने के लिए एक फैंसी शब्द है)। लेखकों, तामारा कुकुमिडीज़ और फ्लोरिस गीर्ट्स ने महसूस किया कि नक्शा बनाना वास्तव में लोगों को समूहों में बांटने का एक खेल है।

कल्पना कीजिए कि आपके पास लोगों से भरा एक कमरा है (टेबल की पंक्तियाँ) और आप उन्हें एक गुप्त नियम (वह लेबल जिसे आप प्रेडिक्ट करने की कोशिश कर रहे हैं) के आधार पर टीमों में बांटना चाहते हैं। यदि आप उन्हें "जूते के आकार" के आधार पर बांटते हैं, तो आपको ऐसी टीमें मिल सकती हैं जो पूरी तरह मिली-जुली हों। यदि आप उन्हें "पसंदीदा रंग" के आधार पर बांटते हैं, तो आपको ऐसी टीमें मिल सकती हैं जो पूरी तरह से अलग हों। पेपर का तर्क है कि एक "अच्छा" ग्राफ वास्तव में लोगों को इस तरह से बांटने का एक तरीका है ताकि एक ही टीम में रहने वाले सभी लोगों के पास एक ही गुप्त जानकारी होने की संभावना हो, और अलग-अलग टीमों वाले लोगों के पास अलग-अलग जानकारी हो।

AutoGrable की प्रतिभा यह है कि यह बिना वास्तविक नक्शा बनाए या जासूस को प्रशिक्षित किए, यह पता लगा लेता है कि लोगों को बांटने का सबसे अच्छा तरीका क्या है।

यह कैसे काम करता है, एक सरल उदाहरण के साथ:

"ग्रुप-बाय" (Group-by) गेम
कल्पना कीजिए कि आप एक शिक्षक हैं जो यह पता लगाने की कोशिश कर रहे हैं कि कौन से छात्र परीक्षा में पास होने की संभावना रखते हैं। आपके पास उनके गुण हैं: बालों का रंग, जूते का आकार और पसंदीदा स्नैक।

पुराना तरीका: आप अनुमान लगा सकते हैं, "चलिए उन छात्रों को जोड़ते हैं जिन्हें पिज्जा पसंद है!" फिर आप एक पूरा नेटवर्क बनाते हैं, एक जटिल AI को उस पर चलने के लिए प्रशिक्षित करते हैं, और देखते हैं कि क्या वह पास/फेल होने की भविष्यवाणी करता है। यदि यह विफल रहता है, तो आप इसे तोड़ देते हैं और दूसरा प्रयास करते हैं, जैसे "चलिए नीले बालों वाले छात्रों को जोड़ते हैं!" यह धीमा और महंगा है।
AutoGrable का तरीका: आप नेटवर्क नहीं बनाते। इसके बजाय, आप बस पूछते हैं: "यदि मैं छात्रों को 'पसंदीदा स्नैक' के आधार पर समूह में बांटता हूँ, तो पास/फेल के परिणाम कितने बिखरे हुए हैं?"
- यदि "पिज्जा" समूह में 50% पास होने वाले और 50% फेल होने वाले हैं, तो यह एक बुरा समूह है। यह बहुत अस्त-व्यस्त है।
- यदि "पिज्जा" समूह में 90% पास होने वाले हैं, तो यह एक बेहतरीन समूह है!
- लेकिन रुकिए, क्या होगा अगर "पिज्जा" समूह में केवल एक छात्र है? यह एक परफेक्ट समूह है, लेकिन यह बेकार है क्योंकि आप केवल एक व्यक्ति से कुछ नहीं सीख सकते। इसे "ओवर-फ्रैगमेंटेशन" (अत्यधिक विखंडन) कहा जाता है।

AutoGrable इन दोनों समस्याओं को संतुलित करने के लिए एक विशेष स्कोर का उपयोग करता है। यह उन समूहों को खोजता है जो पास होने वालों और फेल होने वालों को सबसे अच्छी तरह से अलग करते हैं, लेकिन यह आपको तब दंडित करता है जब समूह बहुत छोटे और खाली हो जाते हैं। यह एक रेफरी की तरह है जो कहता है, "टीमें अलग करने के लिए बहुत अच्छा काम किया, लेकिन आप केवल एक व्यक्ति वाली टीम नहीं बना सकते!"

"नो-ट्रेनिंग" (No-Training) ट्रिक
पेपर दिखाता है कि एक विशिष्ट प्रकार के AI के लिए (जो "1-WL टेस्ट" नामक एक गणितीय नियम द्वारा सीमित है), AI वास्तव में केवल इन समूहों को ही "देख" पाता है। वह समूह के अंदर के व्यक्तिगत विवरण नहीं देख सकता; वह केवल पूरे समूह को एक इकाई के रूप रूप में देखता है। इसलिए, यदि आप अपनी टेबल की पंक्तियों को समूह में बांटने का सही तरीका ढूंढ लेते हैं, तो आपने स्वचालित रूप से सही ग्राफ ढूंढ लिया है।

AutoGrable यह करता है:

आपकी टेबल को देखता है।
कॉलम के विभिन्न संयोजनों (जैसे "बालों का रंग + जूते का आकार") को आजमाता है।
एक स्कोर की गणना करता है जो कहता है, "यह ग्रुपिंग लेबल को अलग करने में अच्छी है, लेकिन बहुत छोटी नहीं है।"
विजेता को चुनता है।

यह यह सब बिना एक भी AI मॉडल को प्रशिक्षित किए करता है। यह पूरी तस्वीर बनाने और फिर यह देखने के लिए उसे तोड़ने के बजाय, मेज पर रखे टुकड़ों को देखकर पहेली सुलझाने जैसा है।

उन्होंने क्या पाया

लेखकों ने इस विचार का परीक्षण कई अलग-अलग तरीकों से किया:

नकली पहेलियों पर: उन्होंने कंप्यूटर-जनरेटेड पहेलियाँ बनाईं जहाँ वे जानते थे कि कौन से कॉलम "गुप्त" चाबियाँ हैं। AutoGrable उन सटीक चाबियों को खोजने और बाकी को अनदेखा करने में सक्षम था, भले ही पहेलियाँ कठिन थीं। यह तब सबसे अच्छा काम कर पाया जब उन्होंने इसे केवल मूल्यों (values) के बजाय मूल्यों की आवृत्ति (frequency) में पैटर्न खोजने के लिए कहा।
वास्तविक डेटा पर: उन्होंने धोखाधड़ी (fraud) या छात्रों के परिणामों की भविष्यवाणी करने जैसे वास्तविक दुनिया के डेटासेट पर इसका परीक्षण किया। उन्होंने AutoGrable की तुलना अन्य तरीकों से की जो या तो निश्चित नियमों का उपयोग करके ग्राफ बनाते हैं, कॉलम को रैंडमली चुनते हैं, या ग्राफ का अनुमान लगाने के लिए अन्य AI टूल्स का उपयोग करते हैं।
- परिणाम: AutoGrable ने निश्चित नियमों और रैंडम अनुमानों की तुलना में लगातार बेहतर प्रदर्शन किया।
- आश्चर्य: कुछ मामलों में, AutoGrable ने ग्राफ बनाने से ही इनकार कर दिया। इसने डेटा को देखा, महसूस किया कि पंक्तियाँ पहले से ही स्वतंत्र (जैसे कि असंबंधित लोगों की एक सूची) हैं, और कहा, "यहाँ ग्राफ बनाना चीजों को केवल भ्रमित करेगा।" इसने डेटा को एक साधारण टेबल के रूप में ही छोड़ दिया। यह एक अनूठी विशेषता है; अन्य तरीके आमतौर पर ग्राफ बनाने के लिए मजबूर करते हैं, भले ही उससे प्रदर्शन खराब हो रहा हो।

यह क्यों मायने रखता है

मुख्य बात यह है कि आपको अपने डेटा के लिए एक अच्छा ग्राफ बनाने के लिए ग्राफ विशेषज्ञ होने या महंगे ट्रेनिंग सेशन चलाने की आवश्यकता नहीं है। आपको बस अपने डेटा की पंक्तियों को छाँटने (sort करने) का सही तरीका ढूंढना है।

पेपर सुझाव देता है कि "सर्वश्रेष्ठ" ग्राफ वह नहीं है जो सबसे जटिल हो या जिसमें सबसे अधिक कनेक्शन हों। बल्कि वह है जो आपके डेटा को इस तरह से समूहबद्ध करता है जो उस उत्तर से मेल खाता है जिसे आप खोज रहे हैं, बिना समूहों को छोटे, बेकार टुकड़ों में तोड़े। इस सरल, बिना-ट्रेनिंग वाले स्कोर का उपयोग करके, AutoGrable तेजी से आपके डेटा के लिए सबसे अच्छा स्ट्रक्चर ढूंढ सकता है, या आपको बता सकता है कि किसी स्ट्रक्चर की आवश्यकता ही नहीं है। यह "ग्राफ डिजाइन करने" की कठिन समस्या को डेटा को "छाँटने के लिए सही कॉलम चुनने" की बहुत आसान समस्या में बदल देता है।

तकनीकी सारांश: AutoGrable

समस्या विवरण (Problem Statement)

ग्राफ लर्निंग, विशेष रूप से मैसेज-पासिंग ग्राफ न्यूरल नेटवर्क (MPNNs) के माध्यम से, एक ग्राफ संरचना की उपस्थिति को पूर्वमान्य मानता है। हालाँकि, अनुप्रयुक्त मशीन लर्निंग में प्रमुख डेटा प्रारूप—एकल तालिकाएँ (single tables) और फॉरेन कीज़ (foreign keys) द्वारा जुड़ी रिलेशनल डेटाबेस—अंतर्निहित रूप से ग्राफ प्रतिनिधित्व नहीं रखते हैं। ऐसे डेटा पर GNN लागू करने के लिए एक निर्माण चरण (construction phase) की आवश्यकता होती है जहाँ यह तय करना होता है कि कौन सी संस्थाएँ (entities) नोड्स बनेंगी, कौन सी आपस में जुड़ेंगी, और किन संबंधों के माध्यम से जुड़ेंगी।

इस समस्या के प्रति वर्तमान दृष्टिकोण सीमित हैं:

ग्राफ सीखना (Learning a graph): मॉडल के साथ संयुक्त रूप से फीचर्स से सॉफ्ट एडजेसेंसी (soft adjacency) का अनुमान लगाना। यह मान लेता है कि संरचना ज्यामितीय निकटता (geometric proximity) का संकेत देती है, जो कि तालिकाएँ प्रदान नहीं करतीं (उनका मूल संबंध साझा श्रेणीगत मान/categorical values है)।
ग्राफ का निर्माण करना (Constructing a graph): एक स्कीमा कंकाल (schema skeleton) को निश्चित करना या प्रशिक्षित मॉडल की सटीकता के आधार पर एट्रिब्यूट्स को स्कोर करना। यह चक्रीय (circular) है (प्रत्येक संभावित निर्माण के लिए एक ट्रेनिंग रन की आवश्यकता होती है), गणनात्मक रूप से महंगा है, और यह स्पष्ट नहीं करता कि एक विशिष्ट निर्माण वास्तव में लर्नर की मदद क्यों कर रहा है।

यह शोध पत्र इस मौलिक प्रश्न को संबोधित करता है: जब ग्राफ दिया नहीं गया हो, तो एक तालिका के लिए "अच्छा" ग्राफ क्या होता है, और बिना किसी मॉडल को प्रशिक्षित किए इसे कैसे निर्मित किया जा सकता है?

कार्यप्रणाली (Methodology)

सैद्धांतिक आधार: 1-WL और पार्टीशन अलाइनमेंट (Partition Alignment)

लेखक अपने दृष्टिकोण को MPNNs की अभिव्यंजक शक्ति (expressive power) की सीमाओं पर आधारित करते हैं, जो एक-आयामी वेइल्सफीलर-लेमन (1-WL) परीक्षण (कलर रिफाइनमेंट) द्वारा सीमित है। एक GNN के लिए, तालिका से निर्मित ग्राफ प्रभावी रूप से तालिका की पंक्तियों को 1-WL कलर क्लासेस में वर्गीकृत करता है। मॉडल उन पंक्तियों के बीच अंतर नहीं कर सकता जिन्हें एक ही रंग सौंपा गया है।

इसलिए, एक कार्य के लिए ग्राफ निर्माण तब "अच्छा" होता है जब पंक्तियों का प्रेरित विभाजन (induced partition) कार्य के लेबल्स के साथ संरेखित (align) होता है:

अलग-अलग लेबल वाली पंक्तियों को अलग-अलग कलर क्लासेस में होना चाहिए।
एक ही लेबल वाली पंक्तियों को अनावश्यक रूप से विभाजित नहीं होना चाहिए (ओवर-फ्रैगमेंटेशन से बचना)।

इस संरेखण मानदंड (alignment criterion) का मूल्यांकन किसी भी मॉडल प्रशिक्षण से पहले किया जा सकता है।

अलाइनमेंट स्कोर ( $J$ )

इस मानदंड को संचालित करने के लिए, पेपर एक उम्मीदवार एट्रिब्यूट सबसेट $S$ के लिए एक प्रशिक्षण-मुक्त स्कोर $J$ प्रस्तावित करता है। यह स्कोर दो प्रतिस्पर्धी कारकों के बीच संतुलन बनाता है:

अनुमानित लाभ (Predictive Gain - Alignment): इसे एक सरल "ब्लॉक प्रेडिक्टर" ( $\hat{h}_S$ ) के वैलिडेशन लॉस द्वारा मापा जाता है जो $S$ द्वारा परिभाषित सेल्स पर स्थिर रहता है। यह प्रेडिक्टर प्रत्येक सेल के भीतर प्रशिक्षण पंक्तियों के अनुभवजन्य लेबल वितरण (empirical label distribution) का उपयोग करता है।
फ्रैगमेंटेशन पेनल्टी ( $\Omega$ ): यह एक माप है कि सेल्स कितने विरल (thinly populated) हैं। इसे $\frac{1}{n_{tr}} \sum \sqrt{N_{S,u}}$ के रूप में परिभाषित किया गया है, जहाँ $N_{S,u}$ एक सेल में पंक्तियों की संख्या है। उच्च फ्रैगमेंटेशन (कई छोटे सेल्स) अनुमान त्रुटि (estimation error) को बढ़ाता है और मेमोराइजेशन (memorization) का जोखिम पैदा करता है।

स्कोर को इस प्रकार तैयार किया गया है:
$J(\pi_S) = \widehat{\text{Risk}}_{\text{val}}(\hat{h}_S) + \lambda \Omega(T_{tr}, \pi_S)$
जहाँ $\lambda \geq 0$ ट्रेड-ऑफ को नियंत्रित करता। $\Omega$ सेल-कांस्टेंट क्लासिफायर के लिए जनरलाइजेशन बाउंड में अनुमान त्रुटि को सीमित करता है।

एल्गोरिदम: AUTOGRABLE

लेखक AUTOGRABLE नामक एक एल्गोरिदम पेश करते हैं जो $J$ को न्यूनतम करने के लिए इष्टतम एट्रिब्यूट सबसेट $S^*$ की खोज करता है।

खोज रणनीति (Search Strategy): चूंकि सटीक मिनिमाइज़र खोजना NP-complete है, इसलिए AUTOGRABLE एक ग्रीडी लोकल सर्च (स्ट्रक्चरल कॉलम सिलेक्शन, SCS) का उपयोग करता है।
दिशाएँ (Directions): यह फॉरवर्ड सर्च (खाली सेट से शुरू) और बैकवर्ड सर्च (पूर्ण सेट से शुरू) दोनों का समर्थन करता है।
एन्कोडिंग (Encoding): यह स्कोरिंग के लिए दो सिग्नेचर का समर्थन करता है:
- वैल्यू एन्कोडिंग (Value encoding): लेबल को ट्रैक करने वाले विशिष्ट मानों पर आधारित स्कोर।
- फ्रीक्वेंसी एन्कोडिंग (Frequency encoding): मल्टीप्लिसिटी पैटर्न (एक मान कितना दुर्लभ या साझा है) पर आधारित स्कोर, जो विशिष्ट मान की पहचान से स्वतंत्र है।
रिलेशनल विस्तार (Relational Extension): मल्टी-टेबल स्कीमा के लिए, एल्गोरिदम फॉरेन-की पाथ्स के माध्यम से लेफ्ट जॉइन (डुप्लिकेट्स को हटाते हुए और पंक्तियों को वेट देते हुए) के माध्यम से एक फ्लैटन की गई तालिका को तैयार करता है। चयनित कॉलमों को फिर एक इंसिडेंस ग्रेबल (पंक्तियों और वैल्यू नोड्स का एक बाइपार्टाइट ग्राफ) में विस्तारित किया जाता है।

मुख्य योगदान (Key Contributions)

मानदंड के रूप में अलाइनमेंट: यह शोध पत्र स्थापित करता है कि 1-WL-बाउंडेड लर्नर्स के लिए, ग्राफ निर्माण पंक्ति विभाजन (row partition) डिजाइन करने के समान है। एक निर्माण तब अच्छा होता है जब वह विभाजन लेबल्स के साथ संरेखित होता है, जिसे बिना GNN प्रशिक्षित किए सत्यापित किया जा सकता है।
प्रशिक्षण-मुक्त स्कोर: एक नवीन स्कोर $J$ जो केवल प्रेरित पंक्ति विभाजन और एक सरल ब्लॉक प्रेडिक्टर के आधार पर उम्मीदवार ग्राफों का मूल्यांकन करता है, और फ्रैगमेंटेशन को दंडित करता है। यह हर उम्मीदवार के लिए मॉडल प्रशिक्षित करने की चक्रीयता और लागत से बचाता है।
AUTOGRABLE: एक व्यावहारिक, ग्रीडी एल्गोरिदम जो इंसिडेंस ग्रेबल बनाने के लिए इष्टतम कॉलम सबसेट चुनता है। यह एकल तालिकाओं और फॉरेन-की स्कीमा दोनों पर लागू होता है और यदि कोई निर्माण स्कोर में सुधार नहीं करता है, तो यह स्पष्ट रूप से एक ट्रिवियल ग्राफ (trivial graph) बनाने से मना कर सकता है।

प्रयोगात्मक परिणाम (Experimental Results)

लेखक तीन शोध प्रश्नों पर AUTOGRABLE का मूल्यांकन करते हैं:

ग्राउंड ट्रुथ की रिकवरी (नियंत्रित कार्य): Adult डेटासेट का उपयोग करके सिंथेटिक कार्यों पर, जहाँ लेबल्स विशिष्ट कॉलम सबसेट्स से उत्पन्न होते हैं, AUTOGRABLE सफलतापूर्वक जनरेटिंग कॉलम को रिकवर करता है।
- वैल्यू एन्कोडिंग रो-लोकल कार्यों (सिंगल-वैल्यू, कंजंक्शन) में उत्कृष्ट है।
- फ्रीक्वेंसी एन्कोडिंग एक्सटेंशन-सेंसिटिव कार्यों (काउंट, डुप्लिकेट) में उत्कृष्ट है जहाँ मान की पहचान से अधिक उसकी पुनरावृत्ति का पैटर्न महत्वपूर्ण होता है।
- रेगुलाइजेशन पैरामीटर $\lambda$ अप्रासंगिक कॉलमों को प्रभावी ढंग से फ़िल्टर करता है, जिससे उच्च "Exact" रिकवरी दर प्राप्त होती है।
डाउनस्ट्रीम प्रदर्शन के साथ सहसंबंध (Correlation with Downstream Performance): वास्तविक दुनिया के रिलेशनल बेंचमार्क (RelBench) पर, स्कोर $J$ एक आवश्यक फिल्टर के रूप में कार्य करता है। हालांकि यह एक पूर्ण रँकर (perfect ranker) नहीं है, कम $J$ स्कोर उच्च डाउनस्ट्रीम AUC के लिए आवश्यक हैं। स्कोर सफलतापूर्वक उम्मीदवार ग्राफों के एक बड़े हिस्से को हटा देता है (जैसे driver-top3 पर 80%) जबकि सर्वश्रेष्ठ प्रदर्शन करने वालों को बनाए रखता है।
बेसलाइन्स के साथ तुलना: एक निश्चित GraphSAGE प्रेडिक्टर के तहत, AUTOGRABLE निम्नलिखित से बेहतर प्रदर्शन करता है:
- ट्रिवियल ( $\gamma_{triv}$ ): कोई एज नहीं (फीचर्स पर MLP)।
- फुल इंसिडेंस ( $\gamma_{inc}$ ): सभी कॉलमों का उपयोग करना (अक्सर ओवर-फ्रैगमेंटेशन की ओर ले जाता है)।
- स्कीमा-आधारित (REG): कच्चे फॉरेन-की कंकाल का उपयोग करना।
- रैंडम सिलेक्शन: कॉलमों को समान रूप से यादृच्छिक रूप से चुनना।
- टास्क-अवेयर (auGraph): एक विधि जो प्रशिक्षित GNNs का उपयोग करके एट्रिब्यूट्स को स्कोर करती है।

महत्वपूर्ण रूप से, उन कार्यों में जहाँ संरचना हानिकारक होती है (जैसे RelBench में study-outcome या i.i.d. TabArena कार्य), AUTOGRABLE एकमात्र विधि है जो सही ढंग से ग्राफ बनाने से मना करती है, ट्रिवियल ग्राफ लौटाती है और अनावश्यक फ्रैगमेंटेशन के कारण होने वाले प्रदर्शन ह्रास से बचती है।

महत्व और दावे (Significance and Claims)

यह शोध पत्र तालिका-से-ग्राफ निर्माण के प्रतिमान को "ट्रेनिंग-डिपेंडेंट" से "स्ट्रक्चर-फर्स्ट" में बदलने का दावा करता है। 1-WL बाउंड का लाभ उठाते हुए, लेखक तर्क देते हैं कि ग्राफ निर्माण का मूल्य उसके कच्चे जटिलता में नहीं, बल्कि इस बात में है कि वह पंक्तियों को कैसे समूहित करता है।

AUTOGRABLE का महत्व तीन गुना है:

दक्षता (Efficiency): यह एक भी GNN प्रशिक्षित किए बिना उम्मीदवार ग्राफों के स्थान की खोज करता है, जिससे खोज प्रक्रिया सस्ती और स्केलेबल हो जाती है।
व्याख्यात्मकता (Interpretability): यह एक ग्राफ क्यों मदद करता है (पंक्ति विभाजनों का लेबल्स के साथ संरेखण) के लिए एक सिद्धांतगत, गैर-चक्रीय स्पष्टीकरण प्रदान करता है।
अनुकूलन क्षमता (Adaptability): यह पहली विधि है जो यह पहचानने में सक्षम है कि कब कोई भी ग्राफ निर्माण फायदेमंद नहीं है, जिससे उस प्रदर्शन गिरावट को रोका जा सकता है जो तब होती है जब उन डेटा पर अनावश्यक ग्राफ संरचनाएं थोपी जाती हैं जहाँ रो-लोकल प्रेडिक्टर्स पर्याप्त होते हैं।

लेखक निष्कर्ष निकालते हैं कि 1-WL-बाउंडेड लर्नर्स के लिए, निर्माण (construction) वास्तव में 'पार्टीशन डिजाइन' है, और "बारीक (finer) होना जरूरी नहीं कि बेहतर ही हो।" इष्टतम निर्माण वह है जो जनरलाइजेशन के लिए आवश्यक सांख्यिकीय समर्थन (statistical support) से समझौता किए बिना, लेबल-प्रासंगिक रो-टाइप्स को अलग करने के लिए पर्याप्त संरचना को उजागर करता है।