RelBench v2: A Large-Scale Benchmark and Repository for Relational Data
本文介绍了 RelBench v2，这是一个显著扩展的关系深度学习基准与代码库，其中纳入了四个新的大规模数据集、新颖的自动补全任务以及与外部框架的集成，旨在促进系统性评估并展示关系模型相较于单表基线的优越性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你拥有一个庞大的信息图书馆。在过去，如果你想寻找某种模式，你就得把每一本书都取出来，撕下书页，然后把它们全部粘贴到一张巨大而凌乱的纸上。你会失去页面源自哪本书的上下文，并且必须手动绘制线条来连接相关的想法。这就是传统机器学习处理复杂数据的方式。
关系深度学习（RDL） 就像一位新型图书管理员，他不会撕下书页。相反，他将整个图书馆视为一张活生生的地图。他理解“书籍”与“作者”相连，“作者”与“大学”相连，而“大学”又与“城市”相连。他看到的是关系，而不仅仅是孤立的事实。
本文介绍了 RELBENCH v2，这是为这些智能图书管理员打造的“训练健身房”的一次大规模升级。以下是他们的构建成果：
1. 新的训练场地（数据集）
原来的健身房（RELBENCH v1）只有几个练习场。RELBENCH v2 新增了 四个巨大的新体育场，使总数达到 11 个。这些不仅仅是小型练习场；它们是庞大、真实的数据世界：
- 学者图书馆（rel-arxiv）： 一张包含数百万篇研究论文、作者以及引用关系的地图。
- 企业办公室（rel-salt）： 对一家大型公司的销售订单、运输路线和付款条款的模拟。
- 啤酒爱好者论坛（rel-ratebeer）： 十年来用户评价啤酒、酿酒厂和地点的记录。
- 医院档案（rel-mimic）： 来自一家主要医疗中心的匿名患者记录（日期已移至未来以保护隐私）。
这些数据集总共包含超过 2200 万行数据。这就像给人工智能提供了一座拥有 2200 万本书籍的图书馆供其学习，且所有书籍都相互关联。
2. 新的游戏（任务）
本文引入了一种名为 “自动补全” 的新类型游戏。
- 旧游戏（预测）： 想象一个水晶球。你向人工智能提供截至今天的数据，它预测 尚未发生 的事情（例如“这位客户下个月会离开吗？”）。
- 新游戏（自动补全）： 想象一份填写了一半的表格。人工智能看到了某些字段（如“客户姓名”和“订单日期”），但“支付方式”框是空白的。人工智能必须仅利用它能看到的其他表格中的线索，立即 猜出缺失的框。
为什么这很难？ 这就像试图仅通过知道一个人的地址和一天中的时间，而不听对方亲口告知，来猜出他最喜欢的食物。人工智能必须查看“社区”（相关表格）来找出答案。本文表明，当人工智能理解表格之间的关系时，它在这方面的表现远好于仅仅查看单行数据。
3. “通用适配器”（整合其他基准）
作者不仅建造了新的房间；他们还构建了一个通用适配器，使该健身房能够连接到其他流行的训练中心：
- 时间流健身房（TGB）： 他们将通常看起来像事件流动河流的数据集翻译成了他们的图书馆格式，以便人工智能也能在这些数据上进行练习。
- 70 数据库挑战（ReDeLEx）： 他们连接了一个包含 70 多个真实世界数据库的集合，让人工智能有机会在几乎任何事物上进行练习。
- 4D 工具箱（4DBInfer）： 他们添加了一套工具，从四个不同角度（数据、任务、图结构和模型）测试人工智能，以确保其真正具有鲁棒性。
4. 结果：连接的力量
本文进行了一系列测试，比较了“智能图书管理员”（RDL 模型）与“老式工人”（将数据扁平化的传统模型）。
裁决： 智能图书管理员几乎每次都获胜。
- 无论是猜测缺失值（自动补全）、预测未来（预测），还是推荐下一项物品（推荐），理解表格之间 关系 的模型表现都显著更好。
- 即使数据杂乱无章或类别不平衡，关系模型也利用连接找到了旧模型遗漏的信号。
总结
将 RELBENCH v2 想象成旨在理解复杂数据库的人工智能的终极“驾驶培训”。它提供了：
- 更多的车辆： 11 个庞大且多样化的数据集（学术、商业、消费者、医疗）。
- 新的训练科目： 一项新的“自动补全”挑战，用于测试人工智能利用上下文填补空白的能力。
- 通用车库： 连接其他测试场地的工具，以便人工智能能从一切事物中学习。
主要结论很简单：当数据是相互连接的时，你必须将其视为一个互联的网络，而不是一个扁平的列表。 做到这一点的模型正在赢得这场竞赛。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。