스키마 그래프를 수정하는 것이 필수적인가? 관계형 딥러닝 (Relational Deep Learning)을 위한 풀-레졸루션

관계형 예측 (Relational prediction) 작업은 데이터가 자연스럽게 관계형 데이터베이스 (RDBs)에 저장되는 많은 실제 응용 분야에서 매우 중요합니다. 관계형 딥러닝 (Relational Deep Learning, RDL)은 RDB를 그래프로 모델링하고 그래프 신경망 (Graph Neural Networks, GNNs)을 적용하여 엔드 투 엔드 (end-to-end) 학습을 수행함으로써 이 문제를 해결합니다. 그러나 관계형 의미론 (relational semantics)을 보존하기 위해 RDB를 위한 그래프 구축 시 풀-레졸루션 (full-resolution) 속성이 설계 원칙으로 흔히 채택되며, 이로 인해 대부분의 기존 방법론은 고정된 그래프 구조에 의존하게 됩니다. 본 논문에서 우리는 RDL을 위한 풀-레졸루션 및 최적화 가능한 그래프 구조 학습 (Full-Resolution and Optimizable Graph Structure Learning, FROG) 프레임워크를 제안합니다. 이 프레임워크는 관계형 구조 학습을 학습 가능한 테이블 역할 모델링 (table role modeling) 문제로 공식화하여, 테이블이 메시지 전달 (message passing) 과정에서 노드와 엣지로서 기여할 수 있도록 합니다. 나아가 우리는 관계형 의미론을 포착하기 위해 역할 기반 메시지 전달 (role-driven message passing) 메커니즘을 설계하여, 그래프 구조와 GNN 표현 (representations)의 공동 최적화를 가능하게 합니다. 의미론적 일관성을 보장하기 위해, 우리는 테이블 및 엔티티 (entity) 수준 전반의 표현을 규제하는 함수 종속성 (functional dependency) 제약 조건을 도입합니다. 광범위한 실험을 통해 우리의 방법이 기존 방식보다 뛰어난 성능을 보임을 입증하였으며, 테이블 역할이 다운스트림 작업 (downstream tasks)에 어떻게 영향을 미치는지 밝혀냄으로써 RDL을 위한 그래프 구축에 대한 새로운 통찰을 제공합니다.