关系深度学习：关系数据库上的图表示学习

基于摘要分析。本文研究关系数据库中跨多张关联表的预测建模，提出 RDL：将数据库转换为时序异构图，再利用 Graph Neural Networks（GNNs）学习表示，以减少人工连接、聚合表格及构造特征的工作。 核心机制是将表中的行映射为节点，将主键—外键关系映射为边，使模型能够利用多表间的关联信息。原研究对象是关系数据库，而非 EEG 信号或 BCI 解码。摘要明确了图构建原则，但时间信息如何编码、不同节点与边类型如何处理、具体训练目标与预测流程尚未验证。 作者报告，在 RelBench 的七个关系数据库、30 项预测任务上，RDL 的表现优于传统方法；摘要未给出任务划分、指标数值或具体对照配置，不能据此判断不同任务上的收益幅度。作者另报告，在一项用户研究中，RDL 优于一名有经验的数据科学家的人工特征工程方案，并将人工投入减少超过 90%；该比例对应用户研究中的人工投入，而非预测误差降幅，投入计量方式与比较条件需查阅全文。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 研究数据以被试、会话、试次及临床记录等关联表存储，RDL 的关系建模机制可能用于跨表信息整合，但这不等于已具备 EEG 波形建模能力。可复用部分是关系图构建与跨表表示学习；需改造部分包括 EEG 特征或编码器接入、预测时点约束及跨被试划分。低信噪比、小样本、通道差异及对被试身份关联的依赖均可能限制泛化。一个可证伪的小实验是：在同一 EEG 任务和固定跨被试划分下，比较关系图模型与使用相同可用字段的单表聚合基线，并通过移除关系边检验收益是否来自关联结构。已有 EEG 相关工作尚未检索确认。