5D超图学习来了！RHT架构让复杂关系数据建模提速，复杂度不再随实体数平方暴涨，开源代码已上线！
Methodological and Conceptual Framework for 5D Multi-Table Analysis: A Unified Approach for Complex Data Reuse
📖 AI 总结
该论文提出了一种面向复杂关系型数据的统一分析框架，旨在解决多表学习在医疗等场景中面临的数据量大、变量维度高、类别特征基数高、表间依赖复杂及时间重复观测等多重挑战。作者引入关系超图Transformer（RHT）架构，将关系数据库表示为超图，学习五维嵌入（PentE），并采用稀疏关系注意力机制，其计算复杂度与平均关系度成正比，而非实体数量的平方。在Synthea合成电子健康记录数据集上，针对SNOMED CT编码的多标签预测任务，RHT与表格、关系及时间图基线模型相比，生成了语义更连贯的嵌入，同时保持了计算可扩展性。实验显示，XGBoost在罕见代码召回率上表现最佳，而RHT在嵌入语义连贯性上最强。消融研究量化了各组件贡献，MIMIC-IV临床验证计划在获得PhysioNet认证后进行。
🔑 关键词速览
| Relational Hypergraph Transformer (RHT) | 一种统一架构，将关系数据库表示为超图，用于处理多表数据的复杂关系。 |
| PentE (Pentadimensional Embeddings) | 五维嵌入，用于在超图结构中表示实体和关系的多维特征。 |
| Sparse Relational Attention | 稀疏关系注意力机制，其计算复杂度与平均关系度成正比，而非实体数量的平方，从而提高可扩展性。 |
| SNOMED CT | 系统化医学临床术语，用于电子健康记录中标准化编码诊断和条件。 |
| Multi-table Learning | 多表学习，一种处理关系数据库中多个表格数据联合建模的机器学习方法。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅