Resumen: Los datos relacionales de tablas múltiples son comunes en dominios como el comercio electrónico, la atención médica y la investigación científica, y pueden representarse naturalmente como gráficos temporales heterogéneos con atributos de nodos multimodales. Las redes neuronales de gráficos (GNN) existentes dependen de codificadores de características específicas del esquema, lo que requiere módulos separados para cada tipo de nodo y columna de características, lo que dificulta la escalabilidad y el intercambio de parámetros. Presentamos RELATE (Codificador relacional para agregación latente de entidades tipificadas), un codificador de funciones plug-and-play independiente del esquema que se puede usar con cualquier GNN de propósito general. RELATE emplea codificadores compartidos específicos de modalidad para atributos categóricos, numéricos, textuales y temporales, seguidos de un módulo de atención cruzada estilo Perceiver que agrega características en una representación de nodo de tamaño fijo e invariante a la permutación. Evaluamos RELATE en ReLGNN y HGT en el punto de referencia RelBench, donde logra un rendimiento dentro del 3 % de los codificadores específicos de esquema al tiempo que reduce el recuento de parámetros hasta 5 veces. Este diseño admite diversos esquemas y permite el entrenamiento previo de múltiples conjuntos de datos para GNN de uso general, allanando el camino hacia modelos básicos para datos de gráficos relacionales.
Publicado originalmente en export.arxiv.org el 23 de octubre de 2025.
Ver fuente original
