Relational Task Generation Language: Kerangka Spesifikasi Deklaratif untuk Relational Deep Learning

Bahasa deklaratif untuk merampingkan perumusan tugas RDL dan menghilangkan kebocoran data

Oleksii Kolesnichenko; Jakub Peleška; Gustav Šír· 2026· DOI 10.48550/arXiv.2609.01292

Masalah inti

Relational Deep Learning (RDL) telah muncul sebagai paradigma yang kuat untuk pembelajaran dari data multi-tabular, memungkinkan pemodelan prediktif pada basis data relasional yang kompleks. Namun, mendefinisikan tugas prediksi RDL secara manual adalah proses yang melelahkan dan sering mengakibatkan kebocoran data, sehingga melemahkan evaluasi model dan reproduktifitas. Untuk mengatasi masalah ini, Kolesnichenko, Peleška, dan Šír memperkenalkan Relational Task Generation Language (RTGL), sebuah bahasa deklaratif open-source yang merampingkan perumusan tugas RDL dengan mengabstraksi detail SQL tingkat rendah. RTGL memungkinkan praktisi untuk menentukan tugas prediksi pada tingkat abstraksi yang lebih tinggi, mengurangi risiko kesalahan dan inkonsistensi. Penulis mendemonstrasikan RTGL dengan merekonstruksi tugas benchmark RDL yang ada dan mengungkap inkonsistensinya yang berasal dari definisi SQL yang dibuat secara manual untuk target prediksi RDL, sehingga menegaskan nilai bahasa deklaratif khusus. Lebih lanjut, mereka menunjukkan kegunaan praktis RTGL dengan merancang berbagai tugas baru dengan beragam bentuk dan jenis target. Eksperimen mereka mengonfirmasi ketangguhan dan keguna

Rekonstruksi tugas benchmark RDL yang ada menggunakan RTGL mengungkap beberapa inkonsistensi dalam definisi SQL yang dibuat secara manual. Inkonsistensi ini sering menyebabkan kebocoran data, di mana informasi dari masa depan atau dari entitas target itu sendiri secara tidak sengaja dimasukkan ke dalam data pelatihan. RTGL berhasil mengidentifikasi dan memperbaiki masalah ini, menghasilkan tugas bebas kebocoran yang secara semantik setara dengan benchmark yang dimaksudkan. Penulis melaporkan bahwa tugas yang dihasilkan RTGL mencapai kinerja yang sebanding atau lebih baik pada model RDL hilir, mengonfirmasi bahwa pendekatan deklaratif tidak mengorbankan kualitas tugas. Lebih lanjut, desain tugas baru dengan beragam bentuk dan jenis target diselesaikan dengan upaya yang jauh lebih sedikit dibandingkan penulisan SQL manual. Eksperimen juga menunjukkan integrasi yang mulus dengan kerangka RDL yang ada, karena spesifikasi RTGL dapat dikompilasi ke format yang diperlukan tanpa overhead tambahan. Hasil kuantitatif menunjukkan pengurangan waktu definisi tugas sekitar 60% dan penurunan kesalahan terkait kebocoran lebih dari 90% saat menggunakan RTGL.

Relational Deep Learning (RDL) telah muncul sebagai paradigma yang kuat untuk pembelajaran dari data multi-tabular, memungkinkan pemodelan prediktif pada basis data relasional yang kompleks. Namun, mendefinisikan tugas prediksi RDL secara manual adalah proses yang melelahkan dan sering mengakibatkan kebocoran data, sehingga melemahkan evaluasi model dan reproduktifitas. Untuk mengatasi masalah ini, Kolesnichenko, Peleška, dan Šír memperkenalkan Relational Task Generation Language (RTGL), sebuah bahasa deklaratif open-source yang merampingkan perumusan tugas RDL dengan mengabstraksi detail SQL tingkat rendah. RTGL memungkinkan praktisi untuk menentukan tugas prediksi pada tingkat abstraksi yang lebih tinggi, mengurangi risiko kesalahan dan inkonsistensi. Penulis mendemonstrasikan RTGL dengan merekonstruksi tugas benchmark RDL yang ada dan mengungkap inkonsistensinya yang berasal dari definisi SQL yang dibuat secara manual untuk target prediksi RDL, sehingga menegaskan nilai bahasa deklaratif khusus. Lebih lanjut, mereka menunjukkan kegunaan praktis RTGL dengan merancang berbagai tugas baru dengan beragam bentuk dan jenis target. Eksperimen mereka mengonfirmasi ketangguhan dan kegunaan RTGL, serta integrasinya yang mulus dengan kerangka RDL yang ada, sehingga dapat diakses secara luas oleh komunitas.

RTGL dirancang sebagai bahasa deklaratif yang mengabstraksi kompleksitas SQL, memungkinkan pengguna untuk mendefinisikan tugas RDL melalui konstruksi tingkat tinggi. Bahasa ini menangkap komponen penting dari tugas RDL: skema basis data relasional, target prediksi, dan batasan temporal atau struktural untuk mencegah kebocoran data. Secara formal, tugas RDL dapat direpresentasikan sebagai tuple (G, T, Y), di mana G adalah graf relasional, T adalah himpunan entitas target, dan Y adalah ruang label. RTGL menyediakan sintaks untuk menentukan elemen-elemen ini secara deklaratif, memastikan bahwa kueri SQL yang dihasilkan benar dan bebas kebocoran. Kerangka ini terintegrasi dengan pipeline RDL yang ada dengan mengompilasi spesifikasi RTGL menjadi SQL yang dapat dieksekusi dan struktur graf yang sesuai. Penulis mengevaluasi RTGL dengan merekonstruksi tugas benchmark dari suite RelBench dan membandingkan tugas yang dihasilkan dengan tugas asli yang dibuat secara manual. Mereka juga merancang tugas baru dengan berbagai kompleksitas, seperti prediksi multi-target dan peramalan temporal, untuk menunjukkan fleksibilitas RTGL. Eksperimen mengukur kebenaran tugas, deteksi kebocoran, dan upaya integrasi.

Pengenalan RTGL mengatasi hambatan kritis dalam RDL: kurangnya cara deklaratif yang terstandarisasi untuk mendefinisikan tugas prediksi. Dengan mengabstraksi detail SQL, RTGL memberdayakan peneliti dan praktisi untuk fokus pada aspek pemodelan daripada seluk-beluk ekstraksi data. Pengungkapan inkonsistensi dalam benchmark yang ada menyoroti prevalensi kebocoran data dalam tugas yang didefinisikan secara manual, yang dapat menyebabkan estimasi kinerja yang terlalu optimis dan menghambat reproduktifitas. Sifat deklaratif RTGL menegakkan praktik terbaik secara desain, seperti pemisahan temporal yang eksplisit dan isolasi target. Integrasi yang mulus dengan kerangka RDL yang ada memastikan bahwa RTGL dapat diadopsi tanpa mengganggu alur kerja yang sudah mapan. Namun, penulis mencatat bahwa RTGL saat ini mendukung subset fitur SQL, dan pekerjaan di masa depan dapat memperluas ekspresivitasnya untuk mencakup operasi relasional yang lebih kompleks. Secara keseluruhan, RTGL merupakan langkah signifikan menuju RDL yang tangguh dan reprodusibel, dengan potensi menjadi alat standar di komunitas. Rilis open-source memfasilitasi adopsi luas dan pengembangan lebih lanjut.

Praktisi dan peneliti ilmu komputer

Membuka konten member…