20.500.12556/RUL-174272 Deep Learning Methods for Synthetic Relational Data Generation Uporaba metod globokega učenja za generiranje sintetičnih relacijskih podatkov Real-world databases are predominantly relational, comprising multiple interlinked tables that contain complex structural and statistical dependencies. Learning generative models on relational data has shown great promise in generating synthetic data, which can power privacy-sensitive workloads and unlock access to previously underutilized data. However, existing methods often struggle to capture this complexity, typically reducing relational data to conditionally generated individual tables, imposing limiting structural assumptions and a fixed ordering of tables where there is none. To address these limitations, we introduce RelDiff, a novel diffusion generative method that jointly synthesizes all tables in a relational database by explicitly modeling their foreign key graph structure. RelDiff combines a joint graph-conditioned diffusion process for attribute synthesis and a graph generator based on the Stochastic Block Model for structure generation. The decomposition of graph structure and relational attributes ensures both high fidelity and referential integrity, both of which are crucial aspects of synthetic relational database generation. Experiments on 11 benchmark datasets demonstrate that RelDiff consistently outperforms state-of-the-art methods in producing realistic and coherent synthetic relational databases. Podatkovne baze so večinoma relacijske, sestavljene iz povezanih tabel in z zapletenimi strukturnimi in statističnimi odvisnostmi. Učenje generativnih modelov na relacijskih bazah ima velik potencial za generiranje sintetičnih podatkov. Ti so uporabni pri modeliranju in analizi občutljivih podatkov ter tako omogočajo dostop do še neizkoriščenih virov podatkov. Obstoječe metode za generiranje sintetičnih relacijskih baz problem običajno poenostavijo na pogojno generiranje posameznih tabel, kar vsili dodatne predpostavke in fiksno zaporedje tabel, kjer vrstni red ne obstaja. Da bi odpravili te omejitve, predstavimo RelDiff, nov generativni model, ki hkrati sintetizira vse tabele v relacijski bazi z eksplicitnim modeliranjem njihove strukture preko grafa tujih ključev. RelDiff definira skupni difuzijski proces za sintezo atributov vseh tabel in generator grafa, ki temelji na stohastičnih bločnih modelih. Delitev generiranja strukture grafa in atributov omogoča visoko verodostojnost podatkov in referenčno integriteto, dva ključna vidika sintetičnih relacijskih podatkov. Rezultati na 11 relacijskih bazah podatkov kažejo, da RelDiff deluje bolje od obstoječih metod za generiranje verodostojnih sintetičnih relacijskih baz. relational deep learning graph neural networks relational database diffusion models stochastic block models relacijsko globoko učenje grafovske nevronske mreže relacijske podatkovne baze difuzijski modeli stohastični bločni modeli true false false Angleški jezik Slovenski jezik Magistrsko delo/naloga 2025-09-30 13:20:20 2025-09-30 13:20:26 2025-11-19 04:00:21 0000-00-00 00:00:00 2025 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 37727 254428675 Hudovernik_Valter_-_Uporaba_metod_globokega_ucenja_za_generiranje_sinteticnih_relacijskih_podatk.pdf Hudovernik_Valter_-_Uporaba_metod_globokega_ucenja_za_generiranje_sinteticnih_relacijskih_podatk.pdf 1 3DA56745ACAE4A4DAD9D7DB4C83E84B9 5d7c34deac720fc665f4a434c21052785e2504ab15dacc7c4f2db81449e39517 42f05dca-9def-11f0-9328-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=219049 Fakulteta za računalništvo in informatiko 0 0 0