Rel-MOSS: Towards Imbalanced Relational Deep Learning on Relational Databases

O artigo apresenta o Rel-MOSS, um novo método de aprendizado profundo relacional que utiliza um controlador de portas por tipo de relação e um sintetizador guiado por relações para realizar sobreamostragem de entidades minoritárias, resolvendo eficazmente o problema de desequilíbrio de classes em bancos de dados relacionais e superando os métodos atuais em precisão balanceada e média geométrica.

O essencial

🏛️ O Problema: A "Festa" Desbalanceada

Imagine que você tem uma base de dados (como um banco de dados de uma loja online ou de um hospital). Pense nela como uma grande festa onde existem vários tipos de pessoas (clientes, produtos, médicos, pacientes) e todos estão conectados por relações (quem comprou o quê, quem tratou quem).

O objetivo é treinar um "detetive" (um modelo de Inteligência Artificial) para encontrar algo raro na festa. Por exemplo: quem é um golpista? ou qual paciente tem uma doença rara?

O problema:
Na festa real, 99% das pessoas são "normais" (a maioria) e apenas 1% são "golpistas" (a minoria).
Se você pedir para o detetive aprender olhando para a festa inteira, ele vai ficar confuso. Como há tanta gente "normal", o detetive vai pensar: "Ah, todo mundo aqui é normal. Vou classificar todo mundo como normal para não errar."

Resultado: O detetive acerta 99% das vezes (porque a maioria é normal), mas falha completamente em pegar os 1% que realmente importam (os golpistas). Na vida real, isso significa perder dinheiro ou vidas.

🚫 O Erro das Técnicas Antigas

Antes, os cientistas tentavam resolver isso de duas formas:

1. Ignorar o problema: Deixar o modelo aprender sozinho (e ele falha, como explicado acima).
2. Copiar e Colar (SMOTE): Pegar um golpista, olhar para os vizinhos dele e criar uma "cópia" artificial dele para aumentar o número de golpistas na festa.

Onde elas erram:
As técnicas antigas olhavam apenas para a "cara" da pessoa (seus dados básicos), mas ignoravam como ela se relaciona com os outros.

• Analogia: Imagine que você cria um golpista falso. Se você não olhar para quem ele está conversando, ele pode acabar conversando com pessoas que só falam de futebol, quando na verdade, golpistas reais só conversam sobre investimentos duvidosos. O modelo fica confuso porque o "golpista falso" não se parece com os reais na estrutura da festa.

💡 A Solução: Rel-MOSS (O Detetive Especialista em Relações)

Os autores criaram o Rel-MOSS. Pense nele como um novo sistema de treinamento para o detetive, feito especificamente para bases de dados relacionais (onde tudo está conectado). Ele tem dois "superpoderes":

1. O "Filtro de Atenção" (Rel-Gate)

Imagine que o detetive está ouvindo as conversas dos vizinhos de um suspeito.

• O problema: Os vizinhos "normais" gritam muito alto (são muitos), enquanto os vizinhos "suspeitos" sussurram (são poucos). O detetive ouve apenas o grito e ignora o sussurro.
• A solução do Rel-MOSS: Ele coloca um filtro inteligente em cada tipo de conversa. Se ele percebe que uma conversa vem de um grupo onde há muitos suspeitos, ele aumenta o volume dessa conversa. Se vem de um grupo de pessoas normais, ele abaixa o volume.
• Resultado: O detetive consegue ouvir os sussurros importantes dos suspeitos, mesmo que eles sejam poucos. Isso evita que a informação dos "normais" afogue a dos "suspeitos".

2. O "Arquiteto de Cópia" (Rel-Syn)

Agora, precisamos criar mais "golpistas" para treinar o detetive (o famoso over-sampling).

• O problema antigo: Criar cópias aleatórias, como se você pegasse um golpista e o colocasse em um lugar onde ele não pertence.
• A solução do Rel-MOSS: Antes de criar a cópia, ele olha para a "impressão digital relacional" da pessoa. Ele pergunta: "Com quem essa pessoa conversa? Quem são os amigos dos amigos dela?".
• A mágica: Quando ele cria um novo golpista artificial, ele garante que esse novo golpista tenha exatamente o mesmo tipo de rede de amigos que os golpistas reais. Ele não cria apenas um rosto falso; ele cria uma história e uma rede social falsas que fazem sentido.
• Resultado: O modelo aprende a reconhecer o padrão de comportamento real, não apenas dados soltos.

🏆 O Resultado na Vida Real

Os autores testaram essa ideia em 12 cenários diferentes (desde prever se um cliente vai cancelar uma assinatura até detectar fraudes em cartões de crédito).

• Comparação: Eles compararam o Rel-MOSS com os melhores métodos existentes.
• Vitória: O Rel-MOSS foi muito melhor. Em média, ele melhorou a capacidade de detectar os casos raros em 2,46% a 4,00% (o que parece pouco, mas em milhões de dados, significa pegar milhares de golpistas a mais que antes passavam despercebidos).
• Segurança: O método também funcionou bem em casos onde o desequilíbrio não era tão grave, mostrando que ele não "estraga" o modelo quando não é necessário.

📝 Resumo Final

O Rel-MOSS é como um treinador de detetives que entende que, em um mundo conectado (como uma base de dados), quem você conhece é tão importante quanto quem você é.

Em vez de apenas gritar mais alto para a minoria (criar cópias bobas) ou ignorar o barulho da maioria, ele:

1. Sintoniza o rádio para ouvir melhor os sussurros dos poucos (Filtro de Atenção).
2. Cria novos alunos que têm a mesma "história de conexões" dos poucos, para que o detetive aprenda o padrão real (Arquiteto de Cópia).

Isso torna a Inteligência Artificial muito mais justa e eficaz para encontrar os problemas raros e críticos no mundo real.

Resumo técnico

1. O Problema: Desbalanceamento em Aprendizado Profundo Relacional

O artigo aborda um problema crítico e negligenciado no campo do Aprendizado Profundo Relacional (RDL - Relational Deep Learning): o desbalanceamento de classes em Bancos de Dados Relacionais (RDB).

• Contexto: O RDL transforma bancos de dados relacionais em grafos de entidades heterogêneos para aplicar Redes Neurais de Grafos (GNNs). Embora existam métodos avançados de RDL, a maioria ignora a realidade de que dados do mundo real (como detecção de fraudes ou previsão de churn) são frequentemente desbalanceados.
• O Desafio Específico: Em RDBs, as entidades minoritárias (ex: contas fraudulentas) sofrem de dois problemas principais quando tratadas por GNNs padrão:
  1. Colapso de Informação Minoritária: Durante a agregação de mensagens no grafo, as informações das classes majoritárias (que têm volume muito maior e conexões mais fortes) dominam o processo, tornando as representações das entidades minoritárias indistinguíveis das majoritárias.
  2. Inconsistência Relacional: Métodos tradicionais de over-sampling (como SMOTE) funcionam bem em grafos homogêneos, mas falham em grafos heterogêneos complexos de RDBs. Eles geram amostras sintéticas que não respeitam a estrutura relacional local, criando viés estrutural e prejudicando a classificação.

2. Metodologia: Rel-MOSS

Os autores propõem o Rel-MOSS (Relation-centric Minority Synthetic Over-sampling GNN), uma arquitetura projetada especificamente para lidar com o desbalanceamento em grafos de entidades heterogêneos derivados de RDBs. O modelo é composto por dois módulos centrais:

A. Controlador de Portão Relacional (Rel-Gate)

Este módulo visa mitigar o colapso da informação minoritária durante a passagem de mensagens no GNN.

• Funcionamento: Em vez de tratar todas as mensagens de vizinhança como igualmente importantes, o Rel-Gate estima a probabilidade de que as mensagens de cada tipo de relação estejam alinhadas com a classe minoritária.
• Mecanismo: Utiliza um mecanismo de atenção (semelhante a Query-Key-Value) para calcular um fator de portão ($\Psi_{e,r}$) para cada tipo de relação.
• Objetivo: Amplificar as mensagens relevantes para a classe minoritária e suprimir as informações dominantes das classes majoritárias, garantindo que as representações das entidades minoritárias permaneçam discrimináveis.

B. Sintetizador Minoritário Guiado por Relação (Rel-Syn)

Este módulo realiza o over-sampling (geração de amostras sintéticas) preservando a consistência estrutural do grafo.

• Assinaturas Relacionais: O método introduz o conceito de "assinatura relacional" ($S_e$), que captura estatísticas estruturais locais da entidade (ex: histograma de tipos de vizinhos a 1 e 2 hops, distribuição de entrada/saída de arestas).
• Geração de Amostras: Ao invés de interpolar apenas no espaço de vetores de características, o Rel-Syn busca vizinhos minoritários mais próximos considerando tanto a representação da entidade quanto sua assinatura relacional.
• Consistência: As novas amostras sintéticas são geradas através de interpolação linear tanto das representações quanto das assinaturas relacionais, garantindo que a nova amostra mantenha a "identidade" estrutural da classe minoritária.
• Reconstrução: O modelo inclui uma perda de reconstrução (MSE) para garantir que as assinaturas relacionais das amostras sintéticas sejam fiéis às originais.

3. Contribuições Principais

1. Investigação Pioneira: É o primeiro trabalho a investigar sistematicamente o problema de desbalanceamento de classes especificamente para tarefas de classificação de entidades em Bancos de Dados Relacionais.
2. Arquitetura Rel-Centric: Propõe o Rel-MOSS, que integra o controle de fluxo de mensagens (Rel-Gate) e a síntese de dados (Rel-Syn) diretamente nas estruturas relacionais heterogêneas.
3. Mecanismos de Consistência: Desenvolve uma abordagem de over-sampling que preserva a consistência relacional através de assinaturas estruturais, superando as limitações de métodos aplicados a grafos homogêneos.
4. Validação Empírica: Demonstra superioridade em 12 conjuntos de dados de benchmark, superando tanto métodos SOTA de RDL quanto técnicas clássicas de tratamento de desbalanceamento.

4. Resultados Experimentais

Os experimentos foram realizados no RelBench, um benchmark público com 12 tarefas de classificação de entidades em domínios variados (e-commerce, redes sociais, saúde).

• Desempenho Geral: O Rel-MOSS superou consistentemente os métodos de base (incluindo RDL padrão, GraphSMOTE, SMOTE e Focal Loss).
• Métricas de Melhoria:
  • Houve uma melhoria média de 2,46% na Balanced Accuracy (B-Acc).
  • Houve uma melhoria média de 4,00% no G-Mean (uma métrica crucial para desbalanceamento, pois equilibra a precisão em ambas as classes).
• Análise Qualitativa:
  • Distância de Representação: O Rel-Gate aumentou significativamente a distância euclidiana e de Manhattan entre os centróides das classes minoritárias e majoritárias, provando que as representações tornaram-se mais distinguíveis.
  • Qualidade da Síntese: Visualizações via t-SNE mostraram que as amostras sintéticas do Rel-MOSS seguem a variedade (manifold) real das minorias, enquanto métodos como GraphSMOTE geravam distribuições divergentes.
• Robustez: O modelo manteve desempenho em conjuntos de dados menos desbalanceados, sem degradar a performance (ao contrário de métodos que forçam over-sampling indiscriminado).

5. Significado e Impacto

O trabalho é fundamental para a aplicação prática de IA em bancos de dados corporativos.

• Aplicações do Mundo Real: Melhora a detecção de eventos raros e críticos, como contas fraudulentas em e-commerce, churn de clientes ou resultados de ensaios clínicos médicos, onde a classe de interesse é minoritária.
• Redução de Viés Algorítmico: Ao garantir que as entidades minoritárias não sejam "afogadas" pelas majoritárias, o modelo reduz o viés algorítmico que frequentemente ignora grupos sub-representados.
• Eficiência Computacional: A análise de tempo de execução mostra que o Rel-MOSS adiciona um custo computacional mínimo (na ordem de segundos por época), tornando-o viável para implantação em larga escala em sistemas de banco de dados reais.

Em resumo, o Rel-MOSS preenche uma lacuna crítica na literatura, oferecendo uma solução robusta e estruturalmente consciente para o desafio do desbalanceamento de dados em ambientes de aprendizado profundo relacional.