관계형 데이터베이스에서 예측을 수행하기 위해 기존에는 테이블 조인과 특징 엔지니어링을 통해 데이터를 평면적인 표 형태로 변환하는 방식이 사용되었습니다. 하지만 복잡한 관계형 패턴을 완전히 포착하는 특징을 설계하는 것은 어려움이 있습니다. 본 논문에서는 그래프 신경망(GNN)을 활용하여 관계형 데이터베이스 내의 복잡한 관계를 모델링하는 동시에, 엔지니어링된 특징을 사용하여 시간 정보를 인코딩함으로써 효율성을 높이는 LightRDL이라는 접근 방식을 제시합니다. LightRDL은 전체 과거 그래프를 유지할 필요가 없어 더 작고 효율적인 그래프를 사용할 수 있으며, 기존 모델보다 성능이 우수합니다. RelBench 벤치마크 실험 결과, 최대 33%의 성능 향상과 526배의 추론 속도 향상을 달성했습니다.
