Modello ibrido BART-GNN fa progredire l'apprendimento relazionale profondo

I ricercatori hanno sviluppato un modello ibrido innovativo che integra un codificatore BART potenziato con una rete neurale grafica (GNN) basata su GraphSAGE per l'analisi di grafi di entità relazionali (REG). Questo progresso ha prodotto un punteggio ROC-AUC di 67,40 nel compito driver-dnf utilizzando il dataset rel-f1. Il modello affronta le carenze delle tecniche tradizionali di deep learning che spesso semplificano eccessivamente le tabelle e trascurano informazioni relazionali significative. Utilizzando i REG per rappresentare i database, la GNN arricchisce gli embedding di riga di BART con il contesto relazionale pertinente, superando i precedenti benchmark di prestazioni su RelBench. Questo lavoro apre la strada alla creazione di modelli fondamentali su misura per l'analisi dei dati relazionali.