Framework zur Messung von Relationalem Bias in Datenbanklernprozessen

Ein neues Forschungsframework namens „Locality Radius“ liefert erstmals ein präzises Maß dafür, wie groß das strukturelle Umfeld sein muss, um Vorhersagen in relationalen Datenbankschemata zu treffen. Das Konzept basiert auf der Idee, dass die Leistung von Graph Neural Networks (GNNs) stark davon abhängt, ob die Tiefe der Aggregation im Modell mit dem lokalen Radius des jeweiligen Aufgabenbereichs übereinstimmt.

Die Autoren untersuchten fünf zentrale Aufgaben: die Vorhersage von Fremdschlüsseln, die Abschätzung von Join-Kosten, die Regression des Blast-Radius, die Klassifizierung von Kaskadenwirkungen sowie weitere graphbasierte Schemaaufgaben. Für jede Aufgabe wurden kontrollierte Experimente durchgeführt, die mehrere Startpunkte, kapazitätsangleichte Vergleiche, statistische Signifikanztests, Skalierungsanalysen und synthetische Benchmarks mit gezielter Radiuskontrolle umfassten.

Die Ergebnisse zeigen einen konsistenten „Bias‑Radius‑Alignment“-Effekt: Modelle erzielen ihre besten Ergebnisse, wenn die Tiefe ihrer Aggregationsschichten exakt dem lokalen Radius der Aufgabe entspricht. Diese Erkenntnis liefert klare Richtlinien für die Architekturwahl von GNNs in datenbankbezogenen Lernaufgaben und eröffnet neue Perspektiven für die Optimierung von relationalen Induktionsbias.