Relational Deep Learning：关系数据库上的图表示学习

基于摘要分析。本文研究如何直接利用关系数据库中由主键—外键连接的多表数据进行机器学习，提出 Relational Deep Learning（RDL），以图表示学习替代手工连接、聚合并构造单一训练表的流程。研究主要对象是关系数据库上的预测与表示学习，而非 EEG 或 BCI。 核心机制是将数据库表示为时序异构图：每张表中的每一行对应一个节点，主键—外键关系对应边，再通过 Message Passing Graph Neural Networks 跨表传播信息、提取表示。该方法依赖可识别的实体、表类型及关联结构；摘要未说明时间信息如何进入消息传递、具体监督任务、损失函数或训练与推理流程。 作者同时提出 RelBench，包含基准数据集及 RDL 实现，数据范围涉及 Stack Exchange 讨论和 Amazon Product Catalog 图书评论。作者报告该路线能够提高模型准确性并缩短模型构建时间，但摘要未提供具体任务、数据划分、对照方法、指标数值或开发耗时测量方式。实验协议、消融及统计信息尚未验证，不能据此判断优势幅度或跨任务稳定性。 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组织，RDL 的实体建图与跨表消息传递可能用于融合这些结构化信息，但不能直接替代原始 EEG 的时序编码。迁移需改造信号特征接口，并核对预测时可用的关系与时间边界；低信噪比、跨被试差异、通道配置变化和小样本均可能削弱收益。一个可检验的小实验是在固定跨被试划分及相同 EEG 特征下，比较单表聚合模型与关系图模型，并移除关系边检验关联结构的增益。上述为迁移假设，已有 EEG 相关工作尚未检索确认。