Исследователи предложили фреймворк RHT для обработки сложных многотабличных данных в здравоохранении
Новое исследование на arXiv представляет архитектуру Relational Hypergraph Transformer для решения проблемы сложности многотабличных данных в информационных системах
Группа исследователей во главе с Edouard Lansiaux опубликовала на платформе arXiv научную статью (arXiv:2608.26149) в разделах Artificial Intelligence и Machine Learning. Авторы представили методологию и концепцию пятимерного анализа многотабличных данных (5D Multi-Table Analysis).
Обучение на многотабличных данных (Multi-table learning) остаётся серьёзной задачей в здравоохранении и сложных информационных системах, поскольку реляционные данные сочетают несколько видов сложности. Исследователи выделили пять её измерений: огромный объём данных, разнообразие переменных, высокая плотность категориальных данных, сложные связи между таблицами и повторяющиеся измерения во времени.
Для решения этих задач авторы разработали архитектуру Relational Hypergraph Transformer (RHT). Она преобразует реляционные базы данных в гиперграфы (Hypergraphs), обучает пятимерные векторные представления (Pentadimensional embeddings, или PentE) и применяет разреженное реляционное внимание (Sparse relational attention). Его вычислительная сложность пропорциональна средней степени связности, а не квадрату числа сущностей в системе.
Исследование предлагает новый способ повысить эффективность обработки крупных и сложных баз данных, например электронных медицинских карт. В будущем этот подход может улучшить загрузку и повторное использование медицинских данных.