是否需要修复模式图？面向关系深度学习的全分辨率图结构学习
机器学习
2026-05-21 v1
摘要
关系预测任务是许多实际应用中的核心问题，其数据天然存储在关系数据库（RDB）中。关系深度学习（RDL）通过将 RDB 建模为图并应用图神经网络（GNN）进行端到端学习来解决此问题。然而，常见的做法是采用全分辨率属性作为图构建的设计原则以保留关系语义，导致大多数现有方法依赖固定图结构。本文提出 FROG（Full-Resolution and Optimizable Graph Structure Learning）框架，用于 RDL，将关系结构学习形式化为可学习的表角色建模问题，允许表在消息传递中作为节点和边贡献。我们进一步设计基于角色的消息传递机制以捕获关系语义，实现图结构与 GNN 表示的联合优化。为确保语义一致性，我们引入函数依赖约束，在表层和实体层正则化表示。广泛实验表明，我们的方法优于现有方法，并揭示了表角色对下游任务的影响，为 RDL 的图构建提供了新视角。
引用
@article{arxiv.2605.21475,
title = {Is Fixing Schema Graphs Necessary? Full-Resolution Graph Structure Learning for Relational Deep Learning},
author = {Yi Huang and Qingyun Sun and Jia Li and Xingcheng Fu and Jianxin Li},
journal= {arXiv preprint arXiv:2605.21475},
year = {2026}
}
备注
Accepted by the Forty-third International Conference on Machine Learning (ICML2026)