Une équipe de chercheurs propose le framework RHT pour gérer les données multitabulaires complexes des systèmes de santé
Une nouvelle étude publiée sur arXiv présente l’architecture Relational Hypergraph Transformer, conçue pour traiter la complexité des données multitabulaires dans les systèmes d’information.
Une équipe de chercheurs dirigée par Edouard Lansiaux a publié sur arXiv un article scientifique (arXiv:2608.26149), classé dans les catégories Artificial Intelligence et Machine Learning. L’étude présente une méthodologie et un cadre conceptuel pour l’analyse multitabulaire en cinq dimensions (5D Multi-Table Analysis).
L’apprentissage à partir de données multitabulaires (Multi-table learning) constitue un défi majeur dans les soins de santé et les systèmes de données complexes, car les données relationnelles cumulent souvent plusieurs formes de complexité. L’étude définit ainsi cinq dimensions : le volume massif de données, la diversité des variables, la forte densité de données catégorielles, les relations complexes entre les tables et les mesures temporelles répétées.
Pour relever ces défis, les auteurs ont développé une architecture appelée Relational Hypergraph Transformer (RHT). Elle convertit les bases de données relationnelles en hypergraphes (Hypergraphs), apprend des représentations en cinq dimensions (Pentadimensional embeddings, ou PentE) et applique une attention relationnelle parcimonieuse (Sparse relational attention), dont la complexité est proportionnelle au degré relationnel moyen plutôt qu’au carré du nombre d’entités du système.
Cette étude propose une nouvelle approche pour traiter plus efficacement de vastes bases de données très complexes, comme les dossiers médicaux des systèmes de santé. Elle pourrait à terme améliorer l’intégration et la réutilisation des données de santé.