[論文レビュー] Grables: Tabular Learning Beyond Independent Rows

Tamara Cucumides, Floris Geerts|arXiv (Cornell University)|Feb 3, 2026

Machine Learning in Healthcare被引用数 0

ひとこと要約

要約: 本論文は grables というモジュラーインターフェースを導入し、表をグラフへリフトする方法と、そのグラフ上での予測を行う方法を分離します。グラフベース手法を介して明示的な行間構造を用いることが、純粋に行ローカルな表モデルよりも利益を生むことを示し、ハイブリッドアプローチがしばしば最適な性能を発揮します。

ABSTRACT

Tabular learning is still dominated by row-wise predictors that score each row independently, which fits i.i.d. benchmarks but fails on transactional, temporal, and relational tables where labels depend on other rows. We show that row-wise prediction rules out natural targets driven by global counts, overlaps, and relational patterns. To make "using structure" precise across architectures, we introduce grables: a modular interface that separates how a table is lifted to a graph (constructor) from how predictions are computed on that graph (node predictor), pinpointing where expressive power comes from. Experiments on synthetic tasks, transaction data, and a RelBench clinical-trials dataset confirm the predicted separations: message passing captures inter-row dependencies that row-local models miss, and hybrid approaches that explicitly extract inter-row structure and feed it to strong tabular learners yield consistent gains.

研究の動機と目的

• トランザクション、時系列、関係性テーブルで、ターゲットが行間関係に依存する場合、行ローカル予測子がなぜうまく機能しないかを明らかにする。
• 表からグラフへ変換する構築と、グラフ上での予測を分離するモジュラーインターフェースとして grables を提案する。
• 行ローカルモデルとメッセージ伝搬グラフモデルとの表現力のギャップを特徴づける。
• 合成データ、トランザクションデータ、RelBench 臨床試験データを用いて分離を実証的に検証する。
• inter-row 構造を露出するハイブリッドモデルが、純粋な表形式やグラフベースのベースラインよりも性能を向上させることを示す。

提案手法

• grables を2つの要素の組として定義する。すなわち、表を行とノードを一対一で対応づけるグラフを構築するグラフコンストラクタと、グラフ上で動作するノード予測子。
• 異なるグラフビューを横断して、行ローカルとグラフベースの予測を比較するための Grabular の表現力を形式化する。
• 共連結グラフを用いて、行間依存が行ローカルモデルでは到達できないターゲットを生み出すことを示し、固定ビュー下での MPNN の限界を定量化する。
• 論理的表現力（FO, GML）を分析し、有界深度 MPNN との関係を明らかにする。
• 合成タスクと実データ（小売取引、RelBench rel-trial）を用いて、構造的表現力と最適化効果を分離して検証する。
• 表形式モデルに対して明示的な行間構造特徴や学習済み GNN 埋め込みを補完的に評価するハイブリッドを評価する。

Figure 1 : Incidence-grable patterns for our four tasks. Row nodes (circles) connect to column–value nodes (squares) via typed edges. (a) Unique : a column–value node adjacent to a single row node. (b) Count : the degree of a shared column–value node. (c) Double : a length-3 pattern $v_{r}\!-\!u_{i,

実験結果

リサーチクエスチョン

• RQ1 行間構造をモデル化することは、行ローカル予測より真の利点を提供するのか。
• RQ2 現実的な表由来グラフに対して、行ローカル表形式モデルとメッセージ伝搬モデルの表現力ギャップはどの程度か。
• RQ3 明示的な行間構造を強力な表現力のある表 predictor と組み合わせて性能を改善できるのか。
• RQ4 異なるグラフビュー（構築子）は、学習可能なターゲットと予測子の能力にどのような影響を与えるか。
• RQ5 合成データと実データの両方で、ハイブリッドは純粋な表形式法または純粋なグラフ法を一貫して上回るのか。

主な発見

• 行ローカル予測子は、表の拡張に対して不変なターゲットに限られ、カウント・重複・共 witnesses の拡張依存ターゲットを見落とす。
• incidence グラフは明示的な行間依存を可能にし、いくつかのタスクについて定常深度の MPNN で対処可能である。Diamond は共有 witness が必要で、 incidence グラフ上の有界深度 MPNN の範囲を超える。
• 合成データと実データの取引データで、 incidence グラフ上の GNN が行ローカルモデルよりも Unique および Count タスクで優れており、TabPFN の改善は小さい。
• RelBench-rel-trial で、行間構造を明示したハイブリッドは、純粋な表形式または純粋なグラフベース法よりも一貫して改善する。
• 構造的特徴（固定集計）または学習済み GNN 埋め込みは表特徴を補完し、ハイブリッドで GNN 派生埋め込みが上位特徴を支配するという permutation ベースの分析結果が示される。
• 全体として、表形式表現とグラフ表現は補完的であり、明示的な構造と表学習を組み合わせることで行ローカルの制約を軽減できる。

Figure 2 : F1-score in validation, test and stress data of RealMLP in Unique, and LightGBM in Double and Diamond tasks.