RelDiff：基于图扩散模型的关系数据生成式建模
机器学习
2025-06-03 v1
摘要
现实世界的数据库主要是关系型的，由包含复杂结构和统计依赖关系的多个相互关联的表组成。在关系数据上学习生成模型在生成合成数据和填补缺失值方面展现出巨大潜力。然而，现有方法通常难以捕捉这种复杂性，往往将关系数据简化为条件生成的扁平表，并施加限制性的结构假设。为了解决这些局限性，我们引入了RelDiff，这是一种新颖的扩散生成模型，通过显式建模关系数据库的外键图结构来合成完整的关系数据库。RelDiff结合了跨所有表的联合图条件扩散过程用于属性合成，以及基于随机块模型的SBM图生成器用于结构生成。图结构与关系属性的分解确保了高保真度和参照完整性，这两者都是合成关系数据库生成的关键方面。在11个基准数据集上的实验表明，RelDiff在生成逼真且连贯的合成关系数据库方面始终优于现有方法。代码可在https://github.com/ValterH/RelDiff获取。
引用
@article{arxiv.2506.00710,
title = {RelDiff: Relational Data Generative Modeling with Graph-Based Diffusion Models},
author = {Valter Hudovernik and Minkai Xu and Juntong Shi and Lovro Šubelj and Stefano Ermon and Erik Štrumbelj and Jure Leskovec},
journal= {arXiv preprint arXiv:2506.00710},
year = {2025}
}