立场论文：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—外键连接的多张表开展机器学习，提出 Relational Deep Learning（RDL）端到端学习蓝图，以减少手工连接、聚合与特征工程，并介绍基准与测试套件 RelBench。这是一篇界定研究方向的立场论文，主要研究对象是关系数据库，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—外键关系对应图中的边，再由 Graph Neural Networks 学习利用多表关联信息的表示。相较于先把多表压缩成单表特征的工作流，该方案旨在让模型直接利用关系结构；其依赖具有明确实体、关联键及时间信息的数据组织。摘要未说明具体图网络、时间处理规则、训练目标或推理流程。 作者报告 RelBench 上取得了较强的初步结果，但所给材料未列出具体任务、数据集构成、划分、对照基线或指标，因此无法判断收益幅度与适用边界。实验协议、消融及统计信息尚未验证；代码与完整复现条件也尚未验证。 平台推测（待验证）：若 EEG 研究数据已按被试、会话、试次及相关记录组织为关联表，RDL 或可用于联合建模这些层级关系，而不是直接替代 EEG 时序编码器。可复用部分是关系图构建与图表示学习，需改造部分包括 EEG 波形编码、时间约束及跨被试评估。低信噪比、通道差异和小数据可能限制表示学习，关系结构也可能使模型依赖被试身份而非可泛化信号。一个可检验的假设是：在固定 EEG 编码器、严格跨被试划分且仅使用预测时可获得信息的条件下，比较关系图建模与单表聚合基线，检验关联结构是否提供额外收益。已有 EEG 相关工作尚未检索确认。