NVIDIA Kumo Relational 无需训练即可在关系数据上超过监督机器学习

摘要

NVIDIA Kumo Relational 是一个预训练的关系基础模型，可直接在企业数据库上做出预测。给定一个预测查询，它会收集最多 10,000 条历史样本作为上下文，并在单次前向传播中预测流失、需求或欺诈等结果。它不需要针对特定任务的训练，不需要特征工程，也不需要将表展平。Kumo Relational 是首个在常见关系基准上超越监督式机器学习的少样本基础模型。在 15 个数据库上的 41 项任务中，它胜过监督式关系深度学习模型以及专家设计的梯度提升树流水线；在 SAP SALT 企业基准上，其平均倒数排名（MRR）比 AutoGluon 集成高出 8%。它可以扩展到拥有 500B+ 行的数据库，并通过 NVIDIA 开源、GPU 原生的 structured-data-models 库，或作为 NVIDIA NIM，同时供人类与智能体使用。

论文： https://arxiv.org/abs/2604.12596
文档： https://docs.nvidia.com/sdgm/rfm/overview

向结构化数据基础模型的转变

基础模型已经改写了语言与视觉领域的既定做法。不久以前，生产环境中的 NLP 意味着每个任务都有一个专用模型，各自依赖自己的分词、词形还原和 n-gram 流水线。大语言模型（LLM）使这套技术栈基本过时，原因有三：它们比最好的任务专用模型更准确，投入生产要简单得多，并且足够灵活，开启了智能体应用的新时代。

同样的转变正在结构化数据领域发生。关系数据库支撑着世界上最关键的业务决策，但在其上做预测建模仍需要数周的特征工程、针对特定任务的训练以及调优后的流水线。结构化数据基础模型出于同样三个原因改变了这一点：

当下更高的准确率：作为即插即用的替代方案，这些模型已经胜过许多生产流水线，尤其是 XGBoost。在 RelBench V1 分类任务上，Kumo Relational 在专家设计的特征上平均比梯度提升树高出近 4 个 AUROC 点。在 SAP SALT 上，它在工程化特征上开箱即用即比 XGBoost 高出 7 个 MRR 点，微调后高出 13 个 MRR 点。这些结果为用 Kumo Relational 替换生产环境中的 XGBoost 流水线提供了有力依据。

简单与敏捷：一个预训练模型取代了针对各个任务的独立流水线。新的预测变成一次查询，而不再是一个项目，因此机器学习团队终于可以承接那些传统机器学习因过于费力而难以在组织各个层级落地的用例。

能够预测的智能体：大语言模型让智能体能够阅读、写作和推理。结构化数据基础模型则让它们预判接下来会发生什么，例如哪位客户会流失，并据此采取行动。Kumo Relational 已经可以被智能体调用，其预测查询语言（PQL）为它们提供了一个提出预测性问题的简单接口。

今天，我们推出 Kumo Relational（论文、文档），一个将这一范式带入关系数据的预训练基础模型。连接数据库，描述要预测的内容，即可在单次前向传播中获得预测。无需训练。

Kumo Relational 的工作原理

大多数面向结构化数据的基础模型都在单一扁平表上运行。现实世界的数据则存在于关系数据库中：用户连接到订单，订单再连接到产品，并且所有这些都会随时间演变。通过手动聚合将这些关系压平为一行（例如，“过去 30 天的平均订单金额”）会丢失细粒度的结构信号，并且需要大量人力。

Kumo Relational 是一种关系基础模型，直接在数据库上运行，并遵循其表、外键和时间戳。它在反映真实世界数据集的合成关系数据上预训练一次，并通过上下文学习适应每一项新任务，在推理时最多读取 10,000 个上下文示例。每个示例都将某一时间点围绕某个实体的局部子图与其真实目标配对（例如，“该用户已流失”或“该商品售出 142 件”）。

![NVIDIA Kumo Relational 系统概览：(a) 数据库集成，(b) 将自然语言转换为预测查询的提示界面，以及 (c) 自动上下文生成并输入 NVIDIA Kumo Relational 模型，该模型可跨租户水平扩展。]

图 1. Kumo Relational 系统概览。连接数据库，指定预测查询，其余工作均由 Kumo Relational 处理，从上下文生成到模型推理。

要进行预测，Kumo Relational 必须完成三件事：(1) 理解每张表中的值，(2) 关联跨表的记录，以及 (3) 将带有已知目标的上下文示例与待预测实体关联起来。其工作方式如下：

![Kumo Relational 架构：(a) 包含任务、用户、订单和商品表的上下文输入；(b) 表内的列注意力与行注意力，并注入上下文目标；(c) 跨表的图注意力与跨样本注意力。]

图 2. Kumo Relational 架构：(a) 上下文输入，(b) 表内推理，(c) 跨表推理。

自动上下文生成：任务使用预测查询语言（PQL）编写，这是一种声明式接口，你只需说明要预测什么，而无需说明如何预测。对于时序任务，Kumo Relational 会回放历史数据库状态：它采样截至锚点时间戳的以实体为中心的子图，并根据该时间戳之后的事件计算每个目标，同时只向模型提供该时间戳之前的数据。这可以防止数据泄漏。

表内推理：一个轻量级网络独立处理每张表，交替进行列注意力（关联一列内的值）和行注意力（关联一行内的特征）。模型会学习哪些列和行对当前预测重要，并在噪声传播之前将其过滤掉。

跨表推理：一个更大的网络通过主键/外键关系上的图注意力，将行嵌入分布到关系结构中，并与跨上下文示例的跨样本注意力交错进行。关系推理就发生在这里，例如将用户资料与其交易历史关联起来。由于这一阶段处理的是行嵌入，而不是每张表中的每个单元格，该设计避免了二次计算开销，并能扩展到更大的上下文和更深的子图。

Kumo Relational 是如何构建的

Kumo Relational 在完全合成的关系数据上进行预训练，这些数据经模拟以反映带有多样化预测查询的真实世界关系数据库。预训练分阶段进行，从单表到日益复杂的关系结构。

预训练所需的多样化关系数据库很少公开，因此合成数据填补了这一空白。Kumo Relational 的生成器基于 PluRel（Kothapalli 等人，ICML 2026）的方法构建，该方法将单表数据生成器扩展到完整的关系数据库。Kumo 团队成员参与开发了 PluRel，并共同撰写了原始论文。PluRel 分三个阶段生成每个数据库：模式、行之间像真实数据那样聚类的外键链接，以及来自具有时间趋势和跨表依赖的结构因果模型的列值。生成过程轻量，因此预训练数据实际上不受限制，并且 PluRel 论文表明，随着合成数据库的增加，预训练损失遵循幂律，且这些收益可以迁移到真实数据库。

通过这一预训练，模型学会跨表过滤、关联并聚合信息，而不是依赖固定的聚合。当最高准确率至关重要时，Kumo Relational 也可以在特定数据集和任务上进行微调。

性能

在本文中，我们在来自 RelBench V1 和 V2、SAP SALT 以及 4DBInfer 的 15 个关系数据库上的 41 项基准中评估了 Kumo Relational，涵盖电子商务、医疗、企业、社交和学术领域。这些数据集在预训练中均未出现过。Kumo Relational 在分类和回归上均优于最强的监督模型，包括关系深度学习模型和专家构建的表格集成模型。在比较 RelBench V1 上关系模型与系统的 RelArena-α 排行榜上，它开箱即用即位于准确率-效率帕累托前沿：

![RelArena-α 排行榜散点图：跨任务相对准确率以 Elo 表示（y 轴），对比每 1,000 个样本的中位推理时间（x 轴，对数刻度）。Kumo Relational 位于帕累托前沿，约为 17 秒、Elo 1,842。得分最高的条目 rt-plurel 达到 Elo 1,878，约为 7,300 秒，大约慢 430 倍。其他所有基础模型、特征工程系统和监督模型的得分都更低，运行也比 Kumo Relational 更慢。]

图 3. RelArena-α 排行榜：跨任务 Elo 对比每 1,000 个样本的中位推理时间（对数刻度）。在相近准确率下，Kumo Relational 比得分最高的条目大约快 430×。

论文还报告，在 SAP SALT 企业基准上，Kumo Relational 在平均倒数排名（MRR）上超越大型 AutoGluon 集成 8%，并超越近期表格基础模型约 25%，微调将其相对 AutoGluon 的领先优势扩大到 16%。它在苛刻条件下也表现稳健：仅以少至 0.2% 的训练数据作为上下文时仍表现良好，在多达 75% 的外键链接被移除时保持稳定，并且在添加许多噪声列时几乎不下降。

局限性

Kumo Relational 在具有有意义关系和时间动态的数据上表现最佳，例如随时间变化的用户行为。在训练集非常大的任务上，针对特定任务的监督模型仍可能略胜于上下文预测；在我们的基准测试中，上下文预测最多使用了 10,000 个上下文示例。基础模型的微调正是针对这种情况而设计的。预测信号还必须能够在有限的跳数内到达，因此请先对少数相关表进行聚焦查询，并按需扩展图。

演示

Kumo Relational 在数据库上原生运行上下文学习：可在内存中进行，也可通过数据库和数据仓库连接器，或通过自定义图引擎进行；该引擎借助内存映射 I/O 处理 500B+ 行，速度最高达 5 GB/s。它已包含在 NVIDIA 新发布的 GPU 原生 structured-data-models 库中，正是这个开源库为我们的姊妹模型 Kumo Tabular 提供支持。该库会在首次使用时从 Hugging Face Hub 下载权重，因此你可以在 GPU 支持的 notebook 中加载模型并直接用它进行预测。下面的代码将上下文示例、预测实体及其相关表传递给模型：

# pip install structured-data-models
import sdm

model = sdm.models.KumoRelational(device="cuda")
pred = model(
    # In-context training table (fkeys/timestamps/targets):
    x_context=...,
    y_context=...,
    # Prediction examples (fkeys/timestamps):
    x_query=...,
    # Multi-table information for context/prediction entities:
    related_context_tables=...,
    related_query_tables=...,
)

有关完整的 RelBench 和 SAP SALT 流水线，包括如何采样每个实体的相关表，请参阅该库的关系示例。

若要将模型作为独立服务运行，请将其部署为 NVIDIA NIM，并在 notebook 中将开源的 structured-data-models-client 指向它。你用 PQL 编写预测，客户端会收集上下文示例和相关表，然后发送请求：

# pip install 'structured-data-models-client[relational]'
import sdm_client

client = sdm_client.SDMClient(url="http://localhost:8001")  # NIM URL
query = sdm_client.PredictiveQuery(
    # Prediction task in Predictive Query Language (PQL):
    "PREDICT COUNT(orders.*, 0, 30, days) FOR EACH users.user_id",
    # Multi-table data as pandas DataFrames (keys/links inferred):
    {"users": ..., "orders": ...},
)
pred = client.predict(
    # Context examples and related tables for the entities to predict:
    query.materialize(indices=[1, 2, 3]),
    model=sdm_client.KumoRelational(),
)

有关针对本地 NIM 以及在 Databricks 上的端到端运行，请参阅客户端的示例 notebook。

开始使用 NVIDIA Kumo Relational 进行构建

NVIDIA Kumo Relational 现已可用。阅读研究论文，探索快速入门 notebook，或开始对自己的数据进行预测。代码依据 Apache 2.0 许可证发布，模型权重依据 OpenMDW License Agreement 1.1 版发布。NVIDIA 认为可信 AI 是一项共同责任，我们已制定政策和实践，以支持广泛 AI 应用的开发。在按照我们的服务条款下载或使用时，开发者应与其模型支持团队合作，确保该模型满足相关行业和用例的要求，并应对意外的产品误用。请在此处报告模型质量、风险、安全漏洞或 NVIDIA AI 相关问题。

论文： https://arxiv.org/abs/2604.12596
文档： https://docs.nvidia.com/sdgm/rfm/overview
代码： https://github.com/NVIDIA/structured-data-models
PyPI： https://pypi.org/project/structured-data-models/
客户端代码： https://github.com/NVIDIA/structured-data-models-client
客户端 PyPI： https://pypi.org/project/structured-data-models-client/
权重： https://huggingface.co/nvidia/Kumo-Relational
快速入门 notebook： https://github.com/NVIDIA/structured-data-models-client/blob/main/examples/local/relational.ipynb
相关研究： Predictive Query Language (PQL), PluRel, Kumo Tabular

致谢

我们感谢整个 Kumo 团队给予的宝贵支持。特别感谢 Josh Przybylko、Adi Wadaskar、Hema Raghavan、Manush Murali、Raja Rao DV、Keti Jovanovska、Zack Drach、Vanja Josifovski、Myungwhan Kim、Blaž Stojanovič、Siyang Xie、Alan Krumholz、Effy Fang、Abdullah Al-chihabi、Disha Dubey、Devan Johnson、Joseph Oliveira、Angela Liu、Miha Pelko、Vedaant Jain、Sally Liu、Aleksandar S. Sokolovski、Alex Porter 和 Ramona Bendias。