Rel-MOSS：面向关系数据库的不平衡关系深度学习
人工智能
2026-05-29 v2 数据库
机器学习
摘要
近期的进展表明，为实现关系数据库（RDB）上的完全数据驱动学习范式，已提出关系深度学习（RDL）将 RDB 结构化为异构实体图并采用图神经网络（GNN）作为预测模型。然而，现有 RDL 方法忽视了 RDB 中实体不平衡问题，风险在于未能充分代表少数实体，导致实际应用中模型不可用。本文首次针对 RDB 实体分类中的类别不平衡问题进行调查，并设计了关系中心少数合成过采样 GNN（Rel-MOSS），以填补当前文献中的关键空白。具体而言，为缓解少数相关信息被多数实体所淹没的矛盾，我们设计了关系式门控控制器，用于调节来自每个 individual 关系类型的邻域消息。基于关系门控表示，我们进一步提出了关系引导的少数合成器进行过采样，该合成器整合实体的关系签名以维持关系一致性。对 12 个实体分类数据集进行的大规模实验结果表明，Rel-MOSS 在 SOTA RDL 方法和经典方法相比，在平衡准确率（Balanced Accuracy）和 G-Mean 上分别提升最高可达 2.46% 和 4.00%。
引用
@article{arxiv.2603.07916,
title = {Rel-MOSS: Towards Imbalanced Relational Deep Learning on Relational Databases},
author = {Jun Yin and Peng Huo and Bangguo Zhu and Hao Yan and Senzhang Wang and Shirui Pan and Chengqi Zhang},
journal= {arXiv preprint arXiv:2603.07916},
year = {2026}
}