هوش مصنوعی

مدل‌های بنیادی جدولی روی داده‌های رابطه‌ایِ نادیده چگونه عملکرد خوبی دارند؟

پیش‌چاپی در arXiv این پرسش را بررسی می‌کند که چرا مدل‌های آموزش‌دیده روی جدول‌های منفرد، با وجود نداشتن آموزش اختصاصی روی پایگاه‌های دادهٔ رابطه‌ای، می‌توانند در پیش‌بینی داده‌های آن‌ها رقابتی باشند.

۱ دقیقه مطالعه
Figure 3: Left : Prediction quality over synthetic RDBs formed via 4 different interaction types in child table 𝑻 2 \mbox{\boldmath$T$}^{2} . Colors denote models; line styles distinguish the 4 RDB versions. Results are
تصویر درج‌شده در مقالهٔ اصلی؛ حقوق بازنشر مستقل تأیید نشده است. — arXiv · AI (پیش‌چاپ) · پرونده اصلی · منبع تصویر: ناشر خبر

در سازمان‌ها، پایگاه‌های دادهٔ رابطه‌ای اطلاعات ناهمگون را در جدول‌های متعدد نگه می‌دارند و پیش‌بینی مقدارهای گمشده یا آینده در یک ستون هدف می‌تواند به آموزش مدلی تازه برای هر کار نیاز داشته باشد. پیش‌چاپی در arXiv می‌گوید مدل‌های بنیادیِ ثابت، متکی بر یادگیری در متن (ICL) و آموزش پیشین ویژهٔ پایگاه‌های رابطه‌ای، راهکاری ممکن‌اند؛ اما طراحی ایدئال این مدل‌ها هنوز روشن نیست.

نویسندگان به شواهد مقدماتی اخیر اشاره می‌کنند که نشان می‌دهد مدل‌های بنیادی جدولیِ آموزش‌دیده روی یک جدول منفرد (TFM)، اگر با رمزگذارهای رابطه‌ایِ بدون پارامتر مناسب ترکیب شوند، در عمل می‌توانند عملکرد رقابتی داشته باشند؛ حتی اگر پیش‌تر روی پایگاه‌های دادهٔ رابطه‌ای آموزش ندیده باشند. چکیدهٔ در دسترس جزئیات بیشتری دربارهٔ روش یا نتایج این پژوهش ارائه نمی‌کند.

این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.

منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗

پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست