Topic description

L'apprentissage sur données relationnelles (relational learning) est actuellement en plein essor, avec l'accélération du développement de modèles à base de réseaux de neurones sur les graphes, de méthodes d'apprentissage exploitant les liens dans les bases de données relationnelles, et l'émergence de transformeurs relationnels.



Des architectures basées sur GraphSAGE cite{graphsage} telles que RelBench cite{relbenchv2}, et des approches comme Rel-LLM cite{rel-llm}, Rel-GNN cite{rel-gnn}, Rel-GT cite{rel-gt} montrent qu'il est désormais possible de traiter efficacement des bases relationnelles de grande taille pour des tâches de prédiction et d'analyse avancée. Cependant, ces approches restent principalement statistiques et exploitent peu la richesse sémantique des bases de données relationnelles : schémas, types, contraintes d'intégrité, dépendances fonctionnelles, règles logiques métiers ou connaissances expertes. Cette limitatio...