20.500.12556/RUL-173771 Graph Representation Learning for Evaluation of Synthetic Relational Data Učenje grafovskih predstavitev za evalvacijo sintetičnih relacijskih podatkov Evaluating the utility of synthetic relational databases is challenging, as existing approaches rely on manual feature engineering or single-table flattening, which obscure relational structure and reduce scalability. This thesis introduces RDL-utility, a general framework that represents relational databases as heterogeneous graphs and trains graph neural networks (GNNs) directly on the graphs. Using a standardized AutoComplete task, RDL-utility measures how well models trained on synthetic data perform on real held-out data. Experiments on five real-world databases, including an ablation study across six GNN architectures, show that diffusion-based generative methods achieve the highest utility, although no single method consistently outperforms all others. RDL-utility provides a reproducible, structure-sensitive evaluation, establishing a foundation for future research and applications. Ocenjevanje uporabnosti sintetičnih relacijskih baz podatkov je zahtevno, saj obstoječi pristopi temeljijo na ročnem ustvarjanju značilk ali združevanju tabel v eno samo, kar zakriva relacijsko strukturo in zmanjšuje razširljivost. Ta magistrska naloga uvaja RDL-utility, splošni pristop, ki relacijske baze podatkov pretvori v heterogene grafe in na njih neposredno trenira grafovske nevronske mreže (GNN). Z uporabo standardizirane prediktivne naloge AutoComplete, RDL-utility meri, kako dobro modeli, naučeni na sintetičnih podatkih, delujejo na resničnih, ločenih testnih podatkih. Eksperimenti na petih realnih podatkovnih bazah, vključno s študijo preko šestih GNN arhitektur, kažejo, da generativni pristopi, ki bazirajo na difuziji, dosegajo najvišjo uporabnost, čeprav noben posamezen pristop dosledno ne prekaša vseh drugih. RDL-utility zagotavlja reproducibilno, na strukturo občutljivo ocenjevanje ter postavlja temelje za prihodnje raziskave in aplikacije. synthetic data relational databases data generation graph representation learning graph neural networks empirical comparison data quality evaluation utility sintetični podatki relacijske baze generiranje podatkov učenje grafovskih predstavitev grafovske nevronske mreže empirična primerjava evalvacija kvalitete podatkov uporabnost true false false Angleški jezik Slovenski jezik Magistrsko delo/naloga 2025-09-22 14:45:02 2025-09-22 14:45:10 2025-11-12 03:41:57 0000-00-00 00:00:00 2025 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 37750 254172931 Jurkovic_Martin_-_Ucenje_grafovskih_predstavitev_za_evalvacijo_sinteticnih_relacijskih_podatkov.pdf Jurkovic_Martin_-_Ucenje_grafovskih_predstavitev_za_evalvacijo_sinteticnih_relacijskih_podatkov.pdf 1 1662BABFD52A2EAC417CD6239C33D3EC ae8745777154ef8d23cd77256881b4d67c3a86c1c732a7fe017086be38fa7b19 cb2d2dc0-97b1-11f0-9328-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=218424 Fakulteta za računalništvo in informatiko 0 0 0