［開発者向け］Googleが拓くAIの新境地：リレーショナルデータを「関係性」で読み解くグラフ基盤モデル（GFM）とは？

2025-07-20

はじめに

　私たちの身の回りには、ECサイトの購買履歴やSNSの友人関係など、様々な「関係性」を持つデータが溢れています。これらの多くは「リレーショナルデータベース」という形式で管理されていますが、その複雑な関係性をAIが十分に活用しきれていないのが現状でした。

　本稿では、この課題を解決する可能性を秘めた新しいAI技術「グラフ基盤モデル（GFM）」について、Google Researchが2025年7月10日に公開したブログ記事「Graph foundation models for relational data」を基に、解説します。

参考記事

タイトル: Graph foundation models for relational data
発行元: Google Research
発行日: 2025年7月10日
URL: https://research.google/blog/graph-foundation-models-for-relational-data/

・本稿中の画像に関しては特に明示がない場合、引用元記事より引用しております。
・記載されている情報は、投稿日までに確認された内容となります。正確な情報に関しては、各種公式HPを参照するようお願い致します。
・内容に関してはあくまで執筆者の認識であり、誤っている場合があります。引用元記事を確認するようお願い致します。

要点

Googleは、複数の表で構成されるリレーショナルデータを「グラフ構造」として捉え直す、新しいAIアプローチ「グラフ基盤モデル（GFM）」を開発した。
GFMの最大の特徴は、特定のデータセットやタスクに特化せず、未知のテーブル構造、特徴量、予測タスクにも対応できる高い汎化性能を持つ点である。
このモデルは、テーブル間の「関係性」に隠された文脈を学習することで、従来の単一テーブルを対象とした分析手法を圧倒的に上回る性能を達成する。
Googleが実施した広告スパム検出タスクの実証実験では、従来手法と比較して平均適合率が最大で40倍向上するという驚異的な結果が示された。

詳細解説

なぜ今「グラフ」なのか？リレーショナルデータの限界

　まず、前提となる知識から見ていきましょう。多くの企業やサービスで使われているデータは、「リレーショナルデータベース」で管理されています。これは、Excelのシートのように、行と列で構成された「テーブル（表）」の集まりです。

　例えば、ECサイトでは、「顧客テーブル」「商品テーブル」「購入履歴テーブル」などが存在します。これらのテーブルは、「顧客ID」や「商品ID」といった共通のキーで互いに関連付けられており、これによって「どの顧客がどの商品を買ったか」という複雑な情報を管理しています。

　しかし、従来の機械学習モデル（例えば、決定木など）は、個々のテーブルを分析するのは得意ですが、テーブル間にまたがる複雑な「関係性」の構造を十分に捉えることは困難でした。結果として、データが持つ潜在的な価値の一部を見逃してしまっていたのです。

　そこで登場するのが「グラフ」という考え方です。グラフとは、物事を「ノード（点）」とし、それらの関係性を「エッジ（線）」で表現するデータ構造です。SNSのユーザー（ノード）と友人関係（エッジ）を思い浮かべると分かりやすいでしょう。このグラフ構造を直接学習できるのがGNN（グラフニューラルネットワーク）ですが、従来のGNNは学習した特定のグラフでしか性能を発揮できず、汎用性に課題がありました。

グラフ基盤モデル（GFM）の革新的なアイデア

　Googleが提案する「グラフ基盤モデル（GFM）」は、この問題を解決するための画期的なアプローチです。

1. リレーショナルデータを「グラフ」に変換する

　GFMの第一歩は、リレーショナルデータベース全体を、一つの巨大なグラフに変換することです。このプロセスは非常に直感的です。

テーブルの各行（例：特定のユーザー、特定の商品）が、それぞれ「ノード」になります。
テーブル間の関連付け（外部キー）が、ノード間を結ぶ「エッジ」になります。
行に含まれるその他の情報（例：商品の価格、ユーザーの年齢）は、「ノードの特徴量」として扱われます。

　こうすることで、これまで分断されていたテーブルの情報が、関係性によって結びついた一つの巨大な知識ネットワークとして表現されます。

2. 「汎用性」を実現する学習方法

　GFMが「基盤モデル」と呼ばれる理由は、その高い汎化（汎用化）能力にあります。言語モデルが様々な文章を生成できるように、GFMは未知のデータ構造やタスクにも対応できます。

　その秘密は、学習方法にあります。GFMは、「商品の価格は1000円」といった個々の特徴量の絶対的な値を覚えるのではありません。そうではなく、様々なデータやタスクを通じて、「『価格』という特徴量と『ユーザーの居住地』という特徴量が、どのように相互作用して『購入確率』に影響を与えるか」といった、特徴量同士の関係性のパターンを学習します。

　このアプローチにより、学習データに存在しなかった未知の特徴量（例えば「季節」や「商品のサイズ」）が現れても、それらが他の特徴量とどう相互作用するかを推測し、的確な予測を行うことができるのです。これが、GFMが驚異的な汎用性を獲得した鍵となります。