ทันเอไอ

ทีมนักวิจัยเสนอเฟรมเวิร์ก RHT จัดการข้อมูลหลายตารางที่ซับซ้อนในระบบสุขภาพ

งานวิจัยใหม่บน arXiv เสนอสถาปัตยกรรม Relational Hypergraph Transformer เพื่อแก้ปัญหาความซับซ้อนของข้อมูลหลายตารางในระบบสารสนเทศ

ทีมนักวิจัยนำโดย Edouard Lansiaux และคณะ ได้เผยแพร่บทความวิชาการบนแพลตฟอร์ม arXiv (รหัสเอกสาร arXiv:2608.26149) ในหมวดปัญญาประดิษฐ์ (Artificial Intelligence) และการเรียนรู้ของเครื่อง (Machine Learning) โดยนำเสนอแนวคิดเชิงระเบียบวิธีและแนวคิดสำหรับวิเคราะห์ข้อมูลหลายตาราง 5 มิติ (5D Multi-Table Analysis)

ปัญหาการเรียนรู้จากข้อมูลหลายตาราง (Multi-table learning) ถือเป็นความท้าทายสำคัญในงานด้านการดูแลสุขภาพและระบบข้อมูลที่ซับซ้อน เนื่องจากข้อมูลเชิงสัมพันธ์มักมีความซับซ้อนหลายด้านรวมกัน งานวิจัยนี้จึงได้ระบุ "มิติความซับซ้อน 5 ด้าน" ประกอบด้วย ปริมาณข้อมูลมหาศาล ความหลากหลายของตัวแปร ความหนาแน่นของข้อมูลเชิงหมวดหมู่ ความสัมพันธ์ที่ซับซ้อนระหว่างตาราง และการวัดผลเชิงเวลาที่เกิดซ้ำ

เพื่อรับมือกับความท้าทายดังกล่าว คณะผู้จัดทำได้พัฒนาสถาปัตยกรรมที่เรียกว่า Relational Hypergraph Transformer (RHT) ซึ่งทำหน้าที่แปลงฐานข้อมูลเชิงสัมพันธ์ให้อยู่ในรูปไฮเปอร์กราฟ (Hypergraphs) พร้อมทั้งเรียนรู้การฝังตัวแบบห้ามิติ (Pentadimensional embeddings หรือ PentE) และประมวลผลความสนใจเชิงสัมพันธ์แบบกระจัดกระจาย (Sparse relational attention) ที่มีความซับซ้อนเป็นสัดส่วนกับระดับความสัมพันธ์เฉลี่ย แทนที่จะเป็นกำลังสองของจำนวนเอนทิตีในระบบ