[Submitted on 6 Jul 2026 (v1), last revised 23 Jul 2026 (this version, v2)]

View PDF HTML (experimental)

Abstract:在儲存異質表格資料的關聯式資料庫（RDB）中，如何預測目標欄位中缺失（或未來）數值？由於企業場景中可能的目標範圍極為廣泛，較佳的做法是避免每次出現新預測任務時，都從頭訓練一個新模型。基於 RDB 專屬編碼器的凍結基礎模型提供了一個可行的解決方案，但理想的設計仍是開放性問題。一方面，近期研究指出，結合單表基礎模型的特定無參數子圖編碼器即可達到近似 SOTA 的表現，且無需進行 RDB 專屬的預訓練；另一方面，其他當代研究則主張使用經參數化且預訓練的編碼器，藉由觀測到的標籤學習任務特定表徵。為釐清此歧異，我們分析了當標籤作為輸入時的 RDB 編碼器特性，證明了可訓練編碼器參數的潛在效能限制。作為實證驗證，我們展示了大幅簡化的無參數編碼器，在許多相關基準任務中仍能展現強勁表現。

Submission history

From: Linjie Xu [view email]
[v1] Mon, 6 Jul 2026 10:25:54 UTC (303 KB)
[v2] Thu, 23 Jul 2026 10:34:48 UTC (303 KB)