في عصرنا الحديث، تعد قواعد البيانات العلائقية (Relational Databases - RDBs) العمود الفقري للأعمال التجارية، إلا أنها تعاني من نقص في نماذج الأساس التي تضاهي تلك المستخدمة في معالجة النصوص أو الرؤية الحاسوبية. تكمن المشكلة الرئيسية في أن قواعد البيانات عالية الجودة غالباً ما تكون خاصة، نادرة، وغير متجانسة من حيث الهيكل، مما يجعل التدريب على نطاق واسع عبر الإنترنت أمرًا صعباً.

لتجاوز هذه العقبة، تم تقديم نموذج RDB-PFN، الذي يعد أول نموذج أساسي علائقي مُدرب بالكامل باستخدام البيانات التركيبية.
إلهاماً من الشبكات المتناسبة للبيانات السابقة (Prior-Data Fitted Networks - PFNs)، حيث يتم استخدام بيانات تركيبية تم إنشاؤها من نماذج السبب الهيكلي (Structural Causal Models - SCMs) لتمكين الاستدلال على الجداول الفردية، قمنا بتصميم مولد أولوية علائقية (Relational Prior Generator) لإنشاء مجموعة لا نهائية من قواعد البيانات العلائقية المتنوعة من الصفر.

من خلال التدريب المسبق على أكثر من 2 مليون مهمة تركيبية فردية وعلاقاتية، يتعلم RDB-PFN التكيف بسرعة مع أي قاعدة بيانات جديدة عبر تعلم سياقي حقيقي (In-Context Learning). وقد أثبتت التجارب أن RDB-PFN يحقق أداءً قويًا في مهام التنبؤ العلاقية في العالم الحقيقي، ليتفوق على النماذج القائمة على الرسوم البيانية ونماذج الأساس لجداول فردية، عند استخدام مدخلات متجانسة، بينما يعتمد على بنية خفيفة وبزمن استجابة سريع.

يمكنك الوصول إلى الشيفرة المصدرية عبر هذا [الرابط](https://github.com/MuLabPKU/RDBPFN)، واللعب بتطبيقات هذا النموذج الثوري في مجالك.