Tim peneliti usulkan framework RHT untuk menangani data mult tabel yang kompleks dalam sistem kesehatan
Riset baru di arXiv memperkenalkan arsitektur Relational Hypergraph Transformer untuk mengatasi kompleksitas data mult tabel dalam sistem informasi
Tim peneliti yang dipimpin Edouard Lansiaux dan rekan-rekannya telah menerbitkan makalah ilmiah di platform arXiv (arXiv:2608.26149) dalam kategori Artificial Intelligence dan Machine Learning. Makalah tersebut memperkenalkan metodologi dan konsep untuk analisis data mult tabel lima dimensi (5D Multi-Table Analysis).
Pembelajaran dari data mult tabel (Multi-table learning) merupakan tantangan utama dalam layanan kesehatan dan sistem informasi yang kompleks karena data relasional sering menggabungkan berbagai jenis kompleksitas. Riset ini mengidentifikasi lima dimensi kompleksitas: volume data yang sangat besar, keragaman variabel, kepadatan data kategorikal, hubungan antartabel yang kompleks, serta pengukuran temporal berulang.
Untuk menghadapi tantangan tersebut, para peneliti mengembangkan arsitektur bernama Relational Hypergraph Transformer (RHT). Arsitektur ini mengubah basis data relasional menjadi Hypergraphs, mempelajari representasi lima dimensi (Pentadimensional embeddings atau PentE), dan memproses Sparse relational attention dengan kompleksitas yang sebanding dengan tingkat relasi rata-rata, bukan kuadrat dari jumlah entitas dalam sistem.
Riset ini menawarkan pendekatan baru untuk meningkatkan efisiensi pemrosesan basis data berskala besar dan sangat kompleks, seperti rekam medis pasien dalam sistem kesehatan. Pendekatan ini berpotensi mendukung proses input dan penggunaan kembali data kesehatan secara lebih efisien pada masa mendatang.