NVIDIA открыла Kumo Relational: прогнозы по связанным таблицам без ручного объединения

Когда это полезно

Если ответ зависит не от одной таблицы, а от связей между сущностями — например, от заказов, пользователей и их событий, — ручной JOIN с агрегатами может потерять структуру. Kumo Relational принимает таблицу объектов задачи и связанные таблицы с описанными ключами; модель строит представления строк, передаёт информацию по связям и делает предсказание с контекстными размеченными примерами. Это сценарий локального эксперимента с классификацией или регрессией на собственной базе, а не готовый SQL-агент или универсальная замена обычного табличного классификатора. Архитектуру и пример связей с пользователями/заказами NVIDIA описала в исходном коде. s3

Это другой релиз, чем Kumo Tabular для одной таблицы: здесь отдельно нужны схема связей, контекстная выборка и правильная подготовка таблиц; опубликованные веса Tabular нельзя подставить вместо Relational. s3

Что опубликовано и на каких условиях

В закреплённом дереве находятся classifier.pt и regressor.pt размером около 120 и 124 млн байт, конфигурация, лицензия и уведомления об исходных компонентах. Размеры файлов не являются требованиями к RAM или VRAM. Веса распространяются по OpenMDW 1.1: текст разрешает использование и распространение без ограничений по назначению, но требует сохранять лицензию и применимые уведомления при дистрибуции; там же есть условие прекращения прав при определённых исках о нарушении патентов/авторских прав. Предобученные веса TabICLv2, на которых основан чекпойнт, отмечены BSD-3-Clause, и их уведомление включено в пакет. Код structured-data-models отдельно помечен Apache-2.0. Открытые веса и открытый код здесь регулируются разными лицензиями; проверяйте полный текст перед включением в продукт. s2 s4 s5 s6

Как начать локальную проверку

Официальный репозиторий рекомендует установку structured-data-models из GitHub и Python 3.11+ с PyTorch 2.7+. Для воспроизводимости сверяйтесь с закреплённым коммитом кода из источника ниже; не полагайтесь на одноимённый пакет PyPI без проверки соответствия репозиторию. Актуальный класс sdm.models.KumoRelational загружает оба чекпойнта именно по тегу v1.0.0 и предоставляет model.fit(x_context, y_context, related_context_tables, num_hops=1) и model.predict(x_query, related_query_tables). Полный пример подготовки таблиц, ключей и разбиения контекста есть в docstring модели и в examples/relational/rel_bench.py. Это пример исходного кода NVIDIA, не результат запуска Modelium. s3 s7 s8

Важная проверка перед копированием кода: краткий фрагмент на странице весов передаёт related_context/related_query без определения объектов данных, тогда как полная документация класса использует related_context_tables/related_query_tables и показывает fit/predict. Демонстрация RelBench отдельно готовит RelationalData, sampler и связи. Не считайте короткий фрагмент с карточки готовым воспроизводимым скриптом для ваших таблиц. Версию кода и структуру данных фиксируйте вместе с моделью. s1 s3 s8

Что означают опубликованные замеры

В репозитории NVIDIA приведены авторские, не проверенные Modelium результаты RelArena-α: до 20 тысяч контекстных примеров, до двух переходов по связям, текстовые признаки исключены. Авторы указывают Elo 1832,2 (третье место из 12) в рейтинге только моделей и 1827,8 (четвёртое из 14) в объединённом рейтинге моделей и систем на 29 сентября. Таблица времени охватывает 21 задачу RelBenchV1, исключает прогрев кэша, но сопоставляет системы с разным числом конфигураций и режимами кэширования; выводить из неё универсальное ускорение для своей базы нельзя. Отдельный пример SALT содержит авторскую таблицу точности для восьми задач с различным числом контекстных примеров и ансамблей. s9 s10

Практический следующий шаг: возьмите одну задачу с размеченными объектами и явными внешними ключами, воспроизведите официальный пример подготовки RelationalData на закреплённом коде и сравните результат с вашим текущим табличным baseline на собственном временном разбиении. До этого не обещайте прирост качества или конкретный минимум GPU: такой проверки у Modelium нет. s3 s8