日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

データベースと深層学習の統合arXiv:2605.24207

データベースクエリへの深層学習設計の統合

Incorporating Deep Learning Design in Database Queries

シェア:XThreadsFacebookLINEはてブBluesky

リレーショナルデータに対する深層学習を、データベースクエリの自然な拡張として統合する手法を提案し、各タプルに学習可能なベクトル埋め込みを関連付けてクエリを拡張する。

詳しい要約

1. どんなもの?

- リレーショナルデータベース上の深層学習を、データをグラフ表現に変換して外部MLフレームワークで処理する従来手法ではなく、データベースクエリと深層学習を自然に統合するアプローチ。 - 各タプルにprovenanceを関連付け、それを学習可能なパラメータを持つベクトル埋め込みとして表現。 - クエリをデータと埋め込みの両方で操作するように持ち上げ、入力関係を埋め込み付きタプルの出力関係にマッピング。 - リレーショナル深層学習の宣言的基盤を提供し、データベースシステムとの統合、最適化、広範な採用を促進。 - 概念実証としてPyTorchとcuDF上にRelaNNを実装。 - グラフ畳み込みネットワーク、異種グラフトランスフォーマー、ハイパーグラフニューラルネットワーク、深層準同型ネットワークなど、様々なグラフ学習モデルを実装可能。

2. 先行研究と比べてどこがすごい?

- 従来はデータをグラフ表現に変換し、外部フレームワーク内でグラフベースニューラルネットワークを適用するのが一般的。 - そのデータベースと外部MLシステム間の往復は、無視できないエンジニアリングオーバーヘッドを生む。 - 既存のグラフニューラルネットワークはタプル埋め込み上で動作し、リレーショナル結合によって生じる相互作用を捉えるように操作している。 - この自然な対応関係を踏まえ、リレーショナルデータ上のニューラルネットワークの指定は、クエリと同程度に簡単であるべきという立場。 - 提案手法は、深層学習をデータベースクエリと自然に統合し、宣言的基盤を提供する点が新しい。

3. 技術・手法の肝は?

- 各タプルにprovenanceを関連付け、それを学習可能なパラメータを持つベクトル埋め込みとして表現。 - クエリをデータと埋め込みの両方で操作するように持ち上げ、入力関係を埋め込み付きタプルの出力関係にマッピング。 - これにより、リレーショナル深層学習の宣言的基盤を提供。 - データベースシステムとの統合、最適化、広範な採用を容易にする。 - 概念実証実装RelaNNはPyTorchとcuDF上に構築。

4. どうやって有効だと検証した?

- RelaNNを用いて、グラフ畳み込みネットワーク、異種グラフトランスフォーマー、ハイパーグラフニューラルネットワーク、深層準同型ネットワークなど、様々なグラフ学習モデルを実装。 - プログラムの簡潔さと競争力のある実行時性能を実証。 - これにより、データベース上の最先端ニューラルネットワークの実装をクエリを書くのと同じくらい簡単にする具体的な道筋を示した。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究や関連手法は明示されていない。 - 同分野の定番として、Graph Neural Networks、Relational Deep Learning、Provenance、Graph Convolutional Networks、Heterogeneous Graph Transformers、Hypergraph Neural Networks、Deep Homomorphism Networksなどが挙げられる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Yuval Lev Lubarsky, Dean Light, Boaz Berger, Shunit Agmon, Benny Kimelfeld

分類: cs.DB, cs.LG

原文アブストラクト

Deep learning over relational databases is conventionally realized by translating data into graph representations and applying graph-based neural networks within external frameworks. This round-trip between the database and external machine learning (ML) systems introduces non-trivial engineering overhead. In effect, these graph neural networks operate on tuple embeddings and manipulate them in ways that capture the interactions induced by relational joins. Given this natural correspondence, there is no fundamental reason why specifying a neural network over relational data should be substantially harder than querying it. We propose an approach that naturally integrates deep learning with database queries. The key idea is to associate each tuple with provenance, represented as a vector embedding with learnable parameters. Queries are lifted to operate jointly on data and embeddings, mapping input relations with embedded tuples to output relations with embedded tuples. This approach provides a declarative foundation for relational deep learning, facilitating integration with database systems, optimization, and wide adoption. We describe RelaNN, a proof-of-concept implementation of this approach built on top of PyTorch and cuDF. We illustrate the utility of RelaNN by implementing various graph-learning models, including graph convolutional networks, heterogeneous graph transformers, hypergraph neural networks and deep homomorphism networks. The simplicity of the programs and their competitive runtime performance demonstrate a concrete path toward making the implementation of state-of-the-art neural networks over databases as simple as writing a query.

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3パナソニックHDなど、触覚に即応する両手作業AI「T-Rex」を共同開発研究・技術
  4. 4SoftBank主導、Agile Robotsが5億ドル調達 NVIDIAと日立も参加資金調達
  5. 5NTT、ロボットの行動前に荷崩れを予測研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI