A Deep Learning Blueprint for Relational Databases

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F23%3A00373584" target="_blank" >RIV/68407700:21230/23:00373584 - isvavai.cz</a>

Výsledek na webu

<a href="https://nips.cc/virtual/2023/81289" target="_blank" >https://nips.cc/virtual/2023/81289</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

A Deep Learning Blueprint for Relational Databases

Popis výsledku v původním jazyce

We introduce a modular neural message-passing scheme that closely follows the formal model of relational databases, effectively enabling end-to-end deep learning directly from database storages. We experiment with several instantiations of the scheme, including notably the use of cross-attention modules to capture the referential constraints of the relational model. We address the issues of efficient learning data representation and loading, salient to the database setting, and compare against representative models from a number of related fields, demonstrating favorable initial results.

Název v anglickém jazyce

A Deep Learning Blueprint for Relational Databases

Popis výsledku anglicky

We introduce a modular neural message-passing scheme that closely follows the formal model of relational databases, effectively enabling end-to-end deep learning directly from database storages. We experiment with several instantiations of the scheme, including notably the use of cross-attention modules to capture the referential constraints of the relational model. We address the issues of efficient learning data representation and loading, salient to the database setting, and compare against representative models from a number of related fields, demonstrating favorable initial results.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

R - Projekt Ramcoveho programu EK

Rok uplatnění

2023

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Table Representation Learning Workshop @ NeurIPS

ISBN

—

ISSN

1049-5258

e-ISSN

1049-5258

Počet stran výsledku

11

Strana od-do

—

Název nakladatele

OpenReview.net / University of Massachusetts

Místo vydání

Massachusetts

Místo konání akce

New Orleans

Datum konání akce

10. 12. 2023

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—