一篇发表于2026年10月15日的arXiv预印本重新评估了关系深度学习中的简单方法。来自维尔茨堡大学、Seamless Labs及斯坦福大学的研究者，将关系数据库中的表行转换为带时间信息的实体图，先用固定的邻域特征传播丰富目标实体特征，再用多层感知机（MLP）完成预测，最后通过Correct-and-Smooth方法引入历史标签。论文指出，这类方法不依赖可学习的异构图神经网络消息传递，却能恢复相当一部分关系信号。论文原文：Revisiting Simple Baselines for Relational Deep Learning
在RelBench-v1和RelBench-v2的分类任务中，加入关系特征传播后，平均AUROC分别从55.95提升至73.65、从65.93提升至82.38；作者称，该结果与监督式HeteroGNN基线的差距分别缩小到1.8和1.6个百分点。论文还报告，关系特征传播在21个分类任务中的20个任务上优于只使用目标实体属性的MLP。回归任务中，传播方法在9个任务中的8个降低了平均绝对误差，但并非所有任务都受益，说明关系信息的有效性仍取决于数据结构和任务设计。
这项工作的重点并不是证明简单模型已经取代图神经网络，而是提供一个更低复杂度的比较基线：如果复杂模型只比固定传播加MLP带来有限增益，新增性能就需要在架构、训练成本或泛化能力上得到解释。研究还发现，历史标签传播比特征传播更依赖任务专用的元图；数据库模式中的主键—外键关系，并不天然等同于适合标签传播的预测关系，且时间可见性必须被严格约束，否则可能引入信息泄漏。
目前这只是预印本，文中结果主要来自作者在RelBench数据集上的实验，尚不能直接外推到所有企业数据库或生产场景。后续评估应重点关注不同时间切分、数据漂移、关系图构建成本，以及在相同数据清洗和调参预算下与异构GNN、关系Transformer的公平比较。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
