[논문 리뷰] Grables: Tabular Learning Beyond Independent Rows

Tamara Cucumides, Floris Geerts|arXiv (Cornell University)|2026. 02. 03.

Machine Learning in Healthcare인용 수 0

한 줄 요약

이 논문은 그래블스(grables)라 불리는 모듈식 인터페이스를 소개한다. 이 인터페이스는 표를 그래프로 끌어올리는 방법과 그 그래프 위에서 예측을 수행하는 방법을 분리하고, 그래프 기반 방법을 통한 명시적 행 간 구조가 순수하게 행-로컬 탭러 모델보다 이점을 가져오며, 하이브리드 접근이 종종 가장 우수하게 작용한다는 것을 보여준다.

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.

연구 동기 및 목표

• 트랜잭션성, 시간적 특성, 그리고 목표가 행 간 관계에 의존하는 관계형 표에서 왜 행-로컬 예측기가 어려움을 겪는지 명확히 한다.
• 표-그래프 구성에서 그래프 기반 예측을 분리하는 모듈식 인터페이스로서의 grables를 제안한다.
• 행-로컬 모델과 메시지 전달 그래프 모델 간의 표현력 차이를 특징 짓는다.
• 합성 데이터, 트랜잭션 데이터, RelBench 임상 시험 데이터를 사용해 분리를 경험적으로 검증한다.
• 행 간 구조를 명시적으로 드러낸 하이브리드 모델이 순수 표나 그래프 기반 베이스라인보다 성능을 향상시킨다는 것을 입증한다.

제안 방법

• 표를 한 대 한 행-노드 매핑으로 그래프에 매핑하는 그래프 생성기와 그래프에서 작동하는 노드 예측기로 구성된 그레이블스의 쌍을 정의한다.
• 서로 다른 그래프 보기에서 행-local 예측과 그래프 기반 예측을 비교하기 위해 Grabular 표현력을 형식화한다.
• 간선 연결 그래프(Incidence graphs)를 사용하여 행 간 의존성이 행-local 모델로는 도달할 수 없는 목표를 가능하게 하며, 고정 보기에서의 MPNN의 한계를 정량화한다.
• 논리적 표현력(FO, GML)을 분석하고 이를 제한된 깊이의 MPNN과 연관지어 해석한다.
• 합성 task와 실제 데이터셋(소매 거래, RelBench rel-trial)을 실험하여 구조적 표현능력과 최적화 효과를 분리한다.
• 간명한 행 간 구조 특징이나 학습된 GNN 임베딩으로 탑재된 하이브리드를 평가한다.

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,

실험 결과

연구 질문

• RQ1 행 간 구조를 모델링하는 것이 행-로컬 예측에 대해 실제로 이점을 제공하는 시점은 언제인가?
• RQ2 현실적인 표로 도출된 그래프에서 행-로컬 탭러 모델과 메시지 전달 모델 간의 표현력 격차는 어느 정도인가?
• RQ3 명시적 행 간 구조를 강력한 탭러 예측기와 효과적으로 결합해 성능을 개선할 수 있는가?
• RQ4 서로 다른 그래프 보기(구성자)가 학습 가능 대상과 예측자의 능력에 어떤 영향을 미치는가?
• RQ5 합성 및 실제 데이터에서 하이브리드가 순수 표 또는 순수 그래프 접근법보다 지속적으로 우수한가?

주요 결과

• 행-로컬 예측기는 표 확장에 불변한 목표에 한정되며 카운트, 중복, 공유된 목격자에 의해 주도되는 확장에 민감한 목표를 놓친다.
• Incidence 그래프는 명시적 행 간 의존성을 가능하게 하며 여러 작업에서 상수 깊이의 MPNN으로 처리할 수 있으며, 다이아몬드( Diamond) 구조는 공유 목격자를 필요로 하며 Incidence 그래프에서 제한 깊이의 MPNN으로는 다루기 어렵다.
• 합성 및 실제 트랜잭션 데이터에서 incidence 그래프상의 GNN은 Unique 및 Count 작업에서 행-로컬 모델보다 우수하며, TabPFN은 더 약한 이점을 보인다.
• RelBench-rel-trial에서 행 간 구조를 노출한 하이브리드 모델은 순수 표나 순수 그래프 방법보다 일관되게 성능을 향상시킨다.
• 구조적 특징(고정된 집계)이나 학습된 GNN 임베딩은 표 특성과 보완적이며, 순열 기반 분석은 하이브리드에서 GNN 유래 임베딩이 최상위 특징을 지배함을 보여준다.
• 전반적으로 표와 그래프 기반 표현은 상호 보완적이며, 명시적 구조를 표 학습과 결합하면 행 로컬의 한계를 완화한다.

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