Forschungsteam stellt RHT-Framework für komplexe Daten aus mehreren Tabellen im Gesundheitswesen vor
Eine neue Studie auf arXiv präsentiert die Relational Hypergraph Transformer-Architektur zur Bewältigung komplexer Daten aus mehreren Tabellen in Informationssystemen.
Ein Forschungsteam um Edouard Lansiaux hat auf der Plattform arXiv einen wissenschaftlichen Artikel (arXiv:2608.26149) in den Bereichen Artificial Intelligence und Machine Learning veröffentlicht. Darin stellt es methodische Ansätze und Konzepte für die fünfdimensionale Analyse von Daten aus mehreren Tabellen (5D Multi-Table Analysis) vor.
Das Lernen aus mehreren Tabellen (Multi-table learning) ist eine zentrale Herausforderung im Gesundheitswesen und in komplexen Informationssystemen, da relationale Daten häufig mehrere Arten von Komplexität vereinen. Die Studie definiert fünf Komplexitätsdimensionen: enorme Datenmengen, eine große Variablenvielfalt, eine hohe Dichte kategorialer Daten, komplexe Beziehungen zwischen Tabellen und wiederholte zeitliche Messungen.
Um diese Herausforderungen zu bewältigen, entwickelte das Team eine Architektur namens Relational Hypergraph Transformer (RHT). Sie wandelt relationale Datenbanken in Hypergraphs um, lernt fünfdimensionale Einbettungen (Pentadimensional embeddings oder PentE) und verarbeitet Sparse relational attention. Deren Komplexität steigt proportional zum durchschnittlichen Beziehungsgrad statt quadratisch mit der Anzahl der Entitäten im System.
Die Studie zeigt einen neuen Ansatz zur effizienteren Verarbeitung großer, hochkomplexer Datenbanken, etwa elektronischer Patientenakten im Gesundheitswesen. Künftig könnte er die Aufnahme und Wiederverwendung von Gesundheitsdaten deutlich verbessern.