知识卡片：重新审视关系型深度学习的简单基线

一句话结论

在关系型数据库的端到端预测任务中，简单的低通特征传播加 MLP，配合 Correct-and-Smooth 标签传播，能恢复异构 GNN 相当一部分性能并带来额外增益，但后者依赖单独构建的 meta-graph，其规范构造仍是关键挑战。

事件概述或研究问题

关系型深度学习（RDL）将关系数据库表示为时序异构图，用 GNN、Transformer 等复杂架构取得强性能，但简单关系型基线的效果缺乏系统性检验。本文追问：要取得强预测性能，究竟需要多少架构复杂度？作者从预测信号来源出发，将其归纳为目标属性、关系属性和历史标签三类，并检验简单传播方法能多有效地利用这些信号。

方法/产品要点

• 将固定的低通特征传播适配到关系实体图上，再用 MLP 做预测。
• 用 Correct-and-Smooth（一种基于图的标签传播算法）对预测结果做进一步精炼，以纳入历史标签。
• Correct-and-Smooth 运行在任务特定的 meta-graph 上，该图连接目标实体；由于关系实体图并不直接给出目标实体之间的连接，必须单独构建。

主要结果或产业意义

• 在 RelBench 的分类与回归任务上，用邻域过滤特征训练的 MLP 在多数任务上优于仅用目标实体特征的 MLP。
• 该简单方法恢复了异构 GNN 相当一部分的性能。
• Correct-and-Smooth 借助历史标签带来进一步提升。
• 作者据此重新评估已有传播方法作为简单 RDL 基线的有效性，并把 meta-graph 的规范构造列为有效标签传播的关键挑战。

为什么重要

若简单基线就能逼近复杂 GNN，则架构复杂度带来的边际收益需要更审慎评估，评测也应纳入这类强基线。本文把“历史标签”这一信号显式纳入简单传播框架，指出标签传播的瓶颈不在算法本身，而在如何从关系结构规范地构造目标实体间的 meta-graph，为后续 RDL 基线与评测设计提供了方向。与既有卡片无直接重叠，属新增脉络。

局限与不确定性

• 材料未给出具体性能差距数值、任务数量与统计显著性，待核实。
• meta-graph 的具体构造方式、是否需要人工设计、跨任务可迁移性，材料未说明，待核实。
• 是否与 Transformer 类方法对比、对比范围如何，材料未提及，待核实。

可用于图书/PPT/简报的角度

• “简单基线被低估”：复杂架构前先问基线有多强。
• 预测信号三分法（目标属性/关系属性/历史标签）作为分析框架。
• 标签传播的隐藏成本：meta-graph 构造是工程与建模的关键瓶颈。

原始材料

• 标题：Revisiting Simple Baselines for Relational Deep Learning
• 作者：Viet The Nguyen, Vijay Prakash Dwivedi, Gunther Gust
• arXiv ID：2610.20534v1（cs.LG），Published: 2026-10-14
• Abstract URL：https://arxiv.org/abs/2610.20534v1
• PDF URL：https://arxiv.org/pdf/2610.20534v1

关键词：Relational Deep Learning; simple baselines; low-pass feature propagation; Correct-and-Smooth; label propagation; meta-graph; RelBench; heterogeneous GNN