في عصر البيانات الضخمة، تتربع قواعد البيانات العلائقية (Relational Databases) على عرش البنية التحتية للبيانات في معظم المؤسسات. ومع ذلك، كان من الصعب إجراء مقارنات عادلة بين الأساليب الحديثة للتعلم العميق (Deep Learning) المخصصة لهذه القواعد بسبب البروتوكولات التجريبية غير المتسقة.

تأتي هذه الدراسة الجديدة كأحد أولى الدراسات المنهجية التي تقويم الأساليب الحديثة للتعلم العميق لقواعد البيانات العلائقية، حيث تم تنفيذ الأبحاث عبر خمسة قواعد بيانات علائقية مع تحديد مهام التصنيف (Classification) والانحدار (Regression) لكل منها.

تم إعادة هيكلة جميع نماذج التعلم العميق لقواعد البيانات العلائقية لتسمح بتطبيق مجموعة كاملة من الإجراءات التجريبية بشكل متسق. تشير النتائج إلى أن أسلوب transformer العلائقي (Relational Transformer RT) يحقق أفضل أداء بشكل عام في كل من مهام التصنيف والانحدار، متفوقًا على نماذج التعلم القائم على الرسوم البيانية (Graph-based models).

حتى في مهام التعلم ذات الجدول الواحد، أظهرت التقنيات العميقة أداءً أفضل من النموذج الأساسي الرائد في التحليل الجدولي، وهو TabPFN 2.5. علاوة على ذلك، فإن توسيع التعلم من جدول واحد (hop = 0) إلى جداول متعددة (hop = 1, 2) من خلال ربط الجداول المجاورة يعزز الأداء، ولكن الفائدة الإضافية لوظائف المزيد من التوصيلات تتقلص مع ازدياد العبء الحاسوبي.

تشير النتائج إلى أن طرق التعلم العميق لقواعد البيانات العلائقية لديها القدرة على تحدي نماذج التحليل الجدولي الرائدة، خاصة عند التعامل مع بيانات مؤسسية ضخمة. لمزيد من المعلومات، الشيفرة المصدرية للدراسة متاحة للجمهور.