ทันเอไอ

研究团队提出 RHT 框架，处理医疗系统中的复杂多表数据

arXiv 新研究提出 Relational Hypergraph Transformer 架构，旨在解决信息系统中多表数据的复杂性问题

由 Edouard Lansiaux 等人组成的研究团队在 arXiv 平台发表了一篇学术论文（编号 arXiv:2608.26149），归属于人工智能（Artificial Intelligence）和机器学习（Machine Learning）类别。论文提出了一套用于五维多表分析（5D Multi-Table Analysis）的方法与概念。

多表学习（Multi-table learning）是医疗保健和复杂数据系统中的一项重大挑战，因为关系型数据往往同时包含多种复杂因素。该研究总结出“五个复杂性维度”，包括海量数据、变量多样性、高密度分类数据、复杂的表间关系，以及重复的时间序列测量。

为应对这些挑战，研究团队开发了名为 Relational Hypergraph Transformer（RHT）的架构，可将关系型数据库转换为超图（Hypergraphs），学习五维嵌入（Pentadimensional embeddings，简称 PentE），并执行稀疏关系注意力（Sparse relational attention）计算。其复杂度与平均关系度成正比，而非随系统实体数量呈平方增长。