20.500.12556/RUL-171323 The Influence of the Relational Schema on the Performance of Graph Neural Networks Vpliv relacijske sheme na uspešnost grafovskih nevronskih mrež Relational deep learning applies graph neural networks to data stored in relational databases by constructing graphs directly from database schemas. This thesis investigates how relational database schemas influence graph neural network performance, focusing on the over-squashing phenomenon that limits information propagation. We demonstrate that graphs derived from relational schemas exhibit performance patterns consistent with over-squashing theory, where models perform well with shallow networks but degrade with increased depth due to topological bottlenecks. To address these limitations, we develop two graph rewiring approaches: a computationally efficient approximation of Stochastic Discrete Ricci Flow and a schema-aware heuristic method that leverages domain knowledge about relational structures. Experimental results on two datasets show that targeted rewiring strategies can provide substantial performance improvements, suggesting that graph topology should be considered a design choice rather than a fixed constraint in relational deep learning systems. Relacijsko globoko učenje uporablja grafovske nevronske mreže na podatkih, shranjenih v relacijskih podatkovnih bazah, tako da grafe tvori neposredno iz shem podatkovnih baz. V diplomski nalogi raziskujemo, kako sheme relacijskih podatkovnih baz vplivajo na uspešnost grafovskih nevronskih mrež, pri čemer se osredotočimo na fenomen prekomernega stiskanja (angl. oversquashing), ki omejuje širjenje informacij. Pokažemo, da grafi, generirani iz relacijskih shem, kažejo vzorce, skladne s teorijo prekomernega stiskanja, kjer modeli delujejo dobro s plitvimi mrežami, njihova uspešnost pa upada z večanjem globine zaradi topoloških ozkih grl. Za odpravo teh omejitev razvijemo dva pristopa prevezave grafov: računsko učinkovito aproksimacijo Stohastičnega diskretnega Riccijevega toka (SDRF) in hevristično metodo, ki upošteva shemo in domensko znanje o relacijskih strukturah. Eksperimentalni rezultati na dveh naborih podatkov kažejo, da lahko ciljno usmerjene strategije prevezave grafa znatno izboljšajo uspešnost, kar nakazuje, da bi morali v relacijskem globokem učenju topologijo grafa obravnavati kot izbiro pri načrtovanju in ne kot fiksno omejitev. graph neural networks relational deep learning over-squashing graph rewiring grafovske nevronske mreže relacijsko globoko učenje prekomerno stiskanje prevezava grafa true false false Angleški jezik Slovenski jezik Diplomsko delo/naloga 2025-08-22 11:05:00 2025-08-22 11:05:05 2025-09-03 09:52:06 0000-00-00 00:00:00 2025 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 38320 247474435 Longar_Mark_david_-_Vpliv_relacijske_sheme_na_uspesnost_grafovskih_nevronskih_mrez.pdf Longar_Mark_david_-_Vpliv_relacijske_sheme_na_uspesnost_grafovskih_nevronskih_mrez.pdf 1 3EA684B7B574735F1D36F971848226EC 1774c5d847c417a0553a49d9d092878e1c5483b95d899beeeb218cf94ab8ec70 fe627d12-7f36-11f0-9328-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=214555 Fakulteta za računalništvo in informatiko 0 0 0