オープンで再現可能なリレーショナル学習の推進：RelArena-α、TabPFN-Rel、およびRPI
Advancing Open and Reproducible Relational Learning: RelArena-α, TabPFN-Rel and RPI
August 17, 2026
著者: Adrian Hayler, Klemens Flöge, Alan Arazi, Rishabh Ranjan, Jure Leskovec, Felix Birkel, Brendan Roof, Anurag Garg, Kristina Collins, Lydia Sidhoum, Jonas Kübler, Siyuan Guo, Oscar Key, Jan Hendrik Metzen, Rylee Grace, David Salinas, Arthur Cahu, Simon Bing, Benjamin Jäger, Tuana Çelik, Mihir Manium, Vitor Monteiro, Jake Robertson, Jerry Chen, Eliott Kalfon, Tomás Pereda, Lilly Wehrhahn, Dominik Safaric, Tobias Schroeder, Georg Grab, Diana Kriuchkova, Clara Cornu, Philipp Singer, Nick Erickson, Vahid Balazadeh, Marie Salmon, Simone Alessi, Kürşat Kaya, Philipp Jund, Léo Grinsztajn, Yann LeCun, Bernhard Schölkopf, Madelon Hulsebos, Lennart Purucker, Sauraj Gambhir, Frank Hutter, Noah Hollmann
cs.AI
要旨
リレーショナル学習分野におけるPrior Labsの最初のリリースは、オープンサイエンスに対する私たちの継続的なコミットメントを示すものです。私たちは、この分野の研究を有意義な実世界への影響に向けて加速させると期待される3つのソフトウェアをオープンソース化します。私たちは、コミュニティからのフィードバックに基づき、またコミュニティとの協力のもとで、今後の開発を進めていきます。
開発の初期段階にあることを踏まえ、今回のαリリースは研究者とアーリーアダプターの実務家を対象としています。過去数年にわたり、リレーショナル学習のためのさまざまなデータセットとタスクが登場してきましたが、コミュニティはこれらのタスクで異なる手法を比較するための信頼性が高く再現可能な方法に収束していません。今回のαリリースであるRelArena-αは、TabArenaなどの確立された表形式ベンチマークに着想を得て、データローディング、評価プロトコル、チューニング手法、カスタムチューニングを備えたシステムのサポートを標準化することにより、RelBench v1上でベースラインを実行・比較するための統一フレームワークを提供します。私たちは、研究コミュニティと協力して、RelArena-αをリレーショナル学習コミュニティにおける進歩の触媒へとさらに発展させることを計画しています。
TabPFN-3のための専用リレーショナルハーネスであるTabPFN-Relの初期バージョンをリリースします。現在RelArena-αでモデルの中で第1位にランクされているTabPFN-Relは、RDBLearnに対して重要な改良を加えています。そのランキングに加えて、TabPFN-Relは強力なベースラインとして機能し、リレーショナルデータベースを単一のテーブルに平坦化することが実世界のタスクにおいて特殊なリレーショナルアーキテクチャと依然として競合し得るという、増え続ける証拠を補強しています。
研究および産業界におけるリレーショナル学習手法の採用を促進するため、私たちはRelational Predictive Interface（RPI）の初期α版をリリースします。RPIはオープンソースでモデルに依存しないインターフェースであり、アーリーアダプターが新しいデータベース上で問題を容易に定義し、RelArena-αに実装されている任意のモデル（TabPFN-Relを含む）をこれらの問題に適用できるようにします。
English
This first release of Prior Labs in relational learning shows our continued commitment to open science. We open-source three pieces of software that we expect to accelerate research in the field towards meaningful real-world impact. We aim to steer further development based on feedback from, and in collaboration with, the community. Given the early stage of development, our α-release targets researchers and early-adopting practitioners. Over the past years, a variety of datasets and tasks for relational learning have emerged, but the community has not converged on a reliable, reproducible way to compare different methods on these tasks. Our α-release, RelArena-α, provides a unified framework for running and comparing baselines on RelBench v1 by standardizing data loading, evaluation protocols, tuning regimes, and support for systems with custom tuning, inspired by established tabular benchmarks such as TabArena. We plan to work with the research community to further develop RelArena-α into a catalyst for progress in the relational learning community. We release the initial version of TabPFN-Rel, a purpose-built relational harness for TabPFN-3. Currently ranked first among models on RelArena-α, TabPFN-Rel makes key improvements upon RDBLearn. Beyond its ranking, TabPFN-Rel serves as a strong baseline, adding to the growing evidence that flattening a relational database into a single table remains competitive with specialized relational architectures on real-world tasks.
To facilitate adoption of relational learning methods in research and industry, we release an initial α-version of our Relational Predictive Interface, RPI, an open-source, model-agnostic interface that enables early adopters to easily define problems on new databases and apply any model implemented in RelArena-α, including TabPFN-Rel, to these problems.