Naukowcy opracowali Relational Hypergraph Transformer (RHT), zunifikowaną architekturę głęboką specjalnie zaprojektowaną do obsługi wielotabelowych baz danych relacyjnych. Model reprezentuje dane w postaci hipergrafów i uczy się pięciowymiarowych osadzeń (pentadimensional embeddings, PentE), umożliwiając rzadką relacyjną atencję o złożoności proporcjonalnej do średniego stopnia relacyjnego zamiast kwadratu liczby jednostek.
Testowanie na publicznym zbiorze danych Synthea, zawierającym syntetyczne historie zdrowotne pacjentów, wykazało znaczące możliwości modelu. Zadanie polegało na multi-label predykcji kodów warunków medycznych SNOMED CT dla każdej wizyty, problem charakteryzujący się wysoką kardynalnością kategorii i rozkładami etykiet obejmującymi rzadkie kody. Porównanie z modelami tabelarycznymi, relacyjnymi i temporalnymi na grafach wykazało, że RHT generuje semantycznie bardziej spójne osadzenia przy zachowaniu skalowalności obliczeniowej. Choć XGBoost osiągnął najwyższe recall dla rzadkich kodów, RHT wyróżnił się najsilniejszą koherentością semantyczną osadzeń.
Opracowanie ma znaczenie dla branży healthcare, gdzie wielotabelowe dane zawierają liczne źródła złożoności - dużą objętość, zmienne wysokowymiarowe, kategorie o wysokiej kardynalności i złożone zależności między tabelami. Autorzy udostępnili open-source'ową implementację referencyjną, co ułatwia dalsze badania i praktyczne wdrożenia w systemach informacji medycznej.