Реляционные базы данных широко используются в форматах корпоративных данных и обеспечивают многие сервисы прогнозирования, но традиционные методы машинного обучения испытывают трудности в полном использовании структуры связей реляционных схем. Нейронные сети графа (GNN) хорошо подходят для данных с графовой структурой, но большинство GNN фиксируются на конкретном графе и не могут обобщаться на новые графы с новыми узлами, типами ребер, признаками и метками узлов. Целью является разработка единой модели, которая может excelled на взаимосвязанных реляционных таблицах и обобщаться на любую произвольную множество таблиц, признаков и задач без дополнительной тренировки. Это можно достичь, преобразуя реляционные таблицы в единый гетерогенный граф, где каждая таблица становится уникальным типом узла, а каждый ряд в таблице становится узлом. Модель основы графа (GFM) может быть обучена на одном графе и выполнять вывод на любом невидимом графе, несмотря на различия в структуре и схеме. Ключевая задача - создать переносимый метод кодирования произвольных схем базы данных и обработки признаков узлов. Результаты показывают, что GFM могут привести к значительному увеличению производительности по сравнению с традиционными табличными baseline, и использование структуры данных может улучшить модели ML с широкими приложениями в искусственном интеллекте.