관계형 데이터베이스는 기업 데이터 형식에서 광범위하게 사용되며 많은 예측 서비스를 지원하지만, 전통적인 머신러닝 방법은 이러한 관계형 스키마의 연결 구조를 완전히 활용하는 데 어려움을 겪습니다. 그래프 신경망(GNN)은 그래프 구조 데이터를 처리하는 데 적합하지만, 대부분의 GNN은 특정 그래프에 고정되어 새로운 노드, 엣지 유형, 특징, 노드 레이블이 있는 새로운 그래프로 일반화될 수 없습니다. 목표는 상호 연결된 관계형 테이블에서 뛰어나고 추가 훈련 없이 임의의 테이블, 특징, 작업 집합으로 일반화할 수 있는 단일 모델을 설계하는 것입니다. 이는 관계형 테이블을 단일 이종 그래프로 변환하여 달성할 수 있으며, 여기서 각 테이블은 고유한 노드 유형이 되고 테이블의 각 행은 노드가 됩니다. 그래프 기반 모델(GFM)은 하나의 그래프에서 훈련되어 구조와 스키마의 차이에도 불구하고 어떤 보이지 않는 그래프에서도 추론을 수행할 수 있습니다. 핵심 과제는 임의의 데이터베이스 스키마를 인코딩하고 노드 특징을 처리하는 이전 가능한 방법을 만드는 것입니다. 결과는 GFM이 전통적인 표 형식 기준선에 비해 상당한 성능 향상을 가져올 수 있으며, 데이터 구조를 활용하면 인공 지능 분야에서 광범위하게 적용되는 ML 모델을 개선할 수 있음을 보여줍니다.