relational-data

NVIDIA 发布预训练关系型基础模型 Kumo Relational，可直接在企业数据库上通过单次前向传播完成预测，无需训练与特征工程；在 41 项任务与 15 个数据库上超越监督式关系深度学习及专家特征的梯度提升树管线。

论文提出 GenScript，一种纯推理的合成数据流水线。它不再针对每个数据集训练模型，而是将源数据的确定性统计画像输入 LLM，由其推断字段语义与完整性约束，再由编码代理将其编译为可审计的采样器。该方法统一了表格、时序与关系型数据的合成，可在几分钟内构建生成器，同时在保真度上接近领先方法，并保留关键的完整性约束。

This paper proposes RelShap, a framework that incorporates relational constraints and data provenance into Shapley value computation, making explanations more faithful to the data-generating process. It is estimator-agnostic and composes with existing SHAP estimators while exploiting functional dependencies to reduce runtime.

本文介绍了 AutoGrable，一种无需训练 GNN 即可为表格数据评估候选图构建的方法，它使用基于 1-WL 颜色细化的标签对齐风险，从而能够以低成本搜索有效的表到图映射。

GRAB 使用 GNN 编码器将关系表转换为潜在标记，用于冻结的 LLM，在多表问答中取得了显著的性能提升。

本文介绍了RelAD，一个基于重构的框架，用于检测关系数据库中的异常，通过联合建模属性和关系边重构。在六个新基准上的大量实验表明，RelAD优于现有方法。