그라블: 행 독립성을 넘어선 테이블 학습

초록

본 논문은 기존 테이블 학습이 행별 독립 예측에 머무르는 한계를 지적하고, 테이블을 그래프로 변환하는 “그라블” 인터페이스를 제안한다. 행‑노드와 값‑노드 등으로 구성된 그래프를 만든 뒤 메시지 패싱 신경망(MPNN) 등으로 예측하면, 전역 카운트·중복·공유값 등 행 간 의존성을 학습할 수 있음을 실험적으로 입증한다.

상세 분석

이 논문은 테이블 데이터에 내재된 행 간 관계를 명시적으로 모델링하지 못하는 기존의 행‑로컬(row‑local) 접근법이 근본적인 표현력 한계를 갖는다는 점을 이론적으로 증명한다. 저자는 “그라블(grable)”이라는 추상화된 인터페이스를 도입해, (1) 테이블을 그래프로 변환하는 **그래프 생성자(constructor)**와 (2) 그 그래프 위에서 예측을 수행하는 **노드 예측기(node predictor)**를 명확히 분리한다. 이 두 단계의 설계 선택이 모델의 표현력을 결정한다는 점을 ‘그라블 표현 가능성(Grabular expressibility)’이라는 개념으로 정량화한다.

핵심 이론적 결과는 다음과 같다.

1. 트리비얼 그라블(γ_triv) – 행 노드만 존재하고 에지가 전혀 없는 그래프에서는 어떤 k‑layer MPNN도 메시지 전달이 불가능하므로, 각 행에 대한 예측은 오직 해당 행의 피처에만 의존한다. 이는 기존 XGBoost, Random Forest, MLP와 동일한 행‑로컬성을 의미한다.
2. 인시던스 그라블(γ_inc) – 행‑값 이분 그래프를 구성하면, 동일한 값 노드를 공유하는 행들 간에 정보가 흐를 수 있다. 이 구조에서 1‑layer MPNN은 “값이 유일하게 나타나는가”, “특정 값이 N개 이상의 다른 행과 공유되는가”와 같은 전역 카운트·중복 패턴을 정확히 포착한다. 논문은 이러한 패턴을 네 개의 베이스 태스크(UNIQUE, COUNT, DOUBLE, DIAMOND)로 정의하고, 각 태스크에 대해 MPNN이 성공적으로 학습함을 실험으로 보여준다.
3. 표현력의 논리적 해석 – MPNN이 구현할 수 있는 노드 예측은 GML(Graded Modal Logic) ≤k와 동등함을 이용해, 그래프 구조가 없을 때는 GML이 사실상 0‑depth 논리(행 자체의 속성)만을 표현하게 된다. 반면 인시던스 그라블에서는 값 노드의 차수(degree)가 모달 연산자로 표현 가능해, 카운트 기반 논리를 구현할 수 있다.
4. 실제 데이터 검증 – 합성 데이터 외에도 거래 데이터와 RelBench 임상시험 데이터셋에 대해 실험을 수행한다. 여기서 행‑로컬 모델은 전역 카운트가 중요한 태스크에서 성능이 급격히 떨어지는 반면, 인시던스 그라블 위에 MPNN을 적용하거나, NFA(Neighbourhood Feature Aggregation)와 같은 하이브리드 파이프라인을 사용하면 일관된 성능 향상이 관찰된다. 특히, NFA는 인시던스 그라블에서 1‑hop 이웃 피처를 집계해 전통적인 탭러 모델에 입력함으로써, 그래프 기반과 탭러 기반의 장점을 동시에 활용한다.

이러한 분석을 통해 저자는 “구조를 활용한다”는 것이 단순히 모델 용량을 늘리는 것이 아니라, 테이블을 어떻게 그래프로 바라보는가에 달려 있음을 강조한다. 즉, 적절한 그래프 생성자를 선택하면 기존 행‑로컬 모델이 도달할 수 없는 목표 함수를 표현할 수 있다. 반대로, 부적절한 생성자(예: 트리비얼 그라블)를 사용하면 MPNN이라 하더라도 행‑로컬에 머무르게 된다.

마지막으로 논문은 그래프 기반 접근법과 전통적인 탭러 모델이 상호 보완적임을 제시한다. 구조를 명시적으로 추출한 뒤 강력한 탭러 학습기(예: LightGBM, CatBoost)에 피처로 제공하면, 복잡한 관계를 학습하면서도 높은 효율성과 해석성을 유지할 수 있다. 이는 향후 테이블 학습에서 “그래프‑탭러 하이브리드” 설계가 표준이 될 가능성을 시사한다.