관계형 다중 테이블 학습은 대용량 데이터, 고차원 변수, 높은 카디널리티의 범주형 특성, 복잡한 테이블 간 의존성, 반복적 시간 관측 등 여러 복잡성이 결합돼 있어 의료 등 복잡 정보시스템에서 여전히 큰 난제다. 연구팀은 관계형 데이터베이스를 하이퍼그래프로 표현하고 5차원 임베딩(PentE)을 학습하며, 개체 수의 제곱이 아닌 평균 관계 차수에 비례하는 복잡도로 희소 관계형 어텐션을 수행하는 통합 아키텍처 '관계형 하이퍼그래프 트랜스포머(RHT)'를 제안했다. 공개 합성 전자의무기록 데이터셋 Synthea에서 SNOMED CT 진단코드 다중 라벨 예측 과제로 평가한 결과, RHT는 표 형식·관계형·시간적 그래프 기준선 대비 의미적으로 더 일관된 임베딩을 만들면서도 계산 확장성을 유지했다. 이 벤치마크에서 희귀 코드 재현율은 XGBoost가 가장 높았지만, 임베딩의 의미적 일관성은 RHT가 가장 우수했다. MIMIC-IV를 이용한 임상 검증은 PhysioNet 인증 취득 후 진행할 계획이다.

• •관계형 DB를 하이퍼그래프로 표현하고 5차원 임베딩(PentE)을 학습하는 'RHT' 아키텍처 제안
• •복잡도가 개체 수 제곱이 아닌 평균 관계 차수에 비례하는 희소 관계형 어텐션 적용
• •Synthea 합성 EHR로 SNOMED CT 진단코드 예측 평가, 임베딩 의미적 일관성에서 RHT 최우수
• •희귀 코드 재현율은 XGBoost가 앞셈으며, MIMIC-IV 임상 검증은 PhysioNet 인증 후 진행 예정