理解数据库学习中关系归纳偏置的局部半径框架
机器学习
2026-02-20 v1
摘要
外键发现和相关的模式级预测任务通常使用图神经网络（GNN）建模，这隐含地假设关系归纳偏置能提升性能。然而，何时真正需要多跳结构推理仍不清楚。在这项工作中，我们引入了局部半径，这是一种形式化度量，用于确定关系模式中预测所需的最小结构邻域。我们假设模型性能关键取决于任务局部半径与架构聚合深度之间的对齐。我们在外键预测、连接代价估计、爆炸半径回归、级联影响分类以及其他源自图的模式任务上进行了受控的实证研究。我们的评估包括多种子实验、容量匹配比较、统计显著性检验、扩展分析和合成半径控制基准。结果揭示了一致的偏置-半径对齐效应。
引用
@article{arxiv.2602.17092,
title = {A Locality Radius Framework for Understanding Relational Inductive Bias in Database Learning},
author = {Aadi Joshi and Kavya Bhand},
journal= {arXiv preprint arXiv:2602.17092},
year = {2026}
}