본 논문은 관계형 데이터베이스에서의 일반화 가능한 사전 학습 전략 설계의 어려움을 다룹니다. 관계형 스키마 그래프, 시간적 의존성, SQL 기반 레이블 로직에 따라 무한히 많은 하위 작업이 존재하기 때문입니다. 이를 해결하기 위해, 본 논문은 스키마 탐색 그래프 상의 집합 기반 집계를 통해 예측적 감독 신호를 구성하는 새로운 사전 학습 프레임워크인 Task Vector Estimation (TVE)을 제시합니다. TVE는 레이블 생성을 유도하는 기저 분포에 대한 지식을 통합하여 하위 작업에 관련된 부수 정보를 제공합니다. 정보 이론적 관점에서 접근하여, 작업 정보가 포함된 표현이 작업 정보가 없는 표현보다 더 관련된 신호를 유지함을 보여줍니다. RelBench 벤치마크 상에서의 광범위한 실험을 통해 TVE가 기존 사전 학습 기준 모델들을 일관되게 능가함을 보여줍니다. 결론적으로, 관계형 데이터베이스에 대한 예측 모델링을 위해 작업 이질성과 시간적 구조를 인코딩하는 사전 학습 목표를 제안합니다.
