关系数据库合成不再只做数值和类别：REMIX 把文本列与跨表语义规则一起生成，约束违反率平均降约一半
核心概要
关系数据库合成长期只覆盖数值和类别列，文本列与跨表语义规则往往被分开处理。REMIX 把数据库建成带类型的异构图，用图到提示的调优让小语言模型在关系上下文下生成混合类型记录，再由大语言模型发现并验证语义依赖、编译成可测试的修复程序。在七个真实关系数据库上，REMIX 在四个无文本库的平均约束违反率相对基线至少降低 49.11%，在三个含文本库至少降低 47.69%。
深度剖析
关系数据库合成开始把文本列和跨表语义规则纳入同一次生成，而不只是拟合数值与类别分布。 此前的统计、GAN、自回归、扩散和语言模型方法原生支持多限于数值和类别属性，文本要么单独生成，要么被排除。 在四个无文本数据库上，REMIX 的约束违反率在四个库中均为最低，平均相对降低至少 49.11%；在三个含文本数据库上，相对 GReaT-Cond 与 GReaT-Joint 平均降低至少 47.69%。
生成过程分两步：先让一个小语言模型在关系上下文条件下写出记录，再用程序修补违反语义依赖的取值。 小语言模型的条件输入不是序列化的父表记录或连接后的宽表，而是由异构图聚合出的软提示，即一组连续向量。 记录节点按列类型编码，列名与取值一起嵌入，两层异构图神经网络聚合相邻记录，投影成一个软提示词元；大语言模型从源库提出至多 30 条候选依赖，最多 5 轮独立样本验证后编译为修复程序。
语义依赖的接受带有统计保证，而不是逐条人工判断。 直接让大语言模型枚举依赖会得到不完整或不准确的集合，源库噪声还会让有效规则偶尔被违反。 每条候选依赖用单侧 Clopper–Pearson 上置信界检验，违反概率容差设为 0.1，总误差预算 0.1，从而以至少给定置信度保证被接受依赖的违反概率不超过容差。
启示与展望
评估覆盖七个真实关系数据库：Walmart、Biodeg.、F1（无文本）、HM 四个无文本库，以及 Chicago、F1（含文本）、ML-small 三个含文本库；合成时保持源模式、表规模和主外键分配不变。作者把扩展到更大关系数据库和更多下游机器学习任务列为后续工作。
含文本库上 ML-small 的 TSTR 平均绝对误差比 GReaT-Joint 高 2.30%，其余指标与数据库上 REMIX 最好。解码器规模增大并不稳定提升保真度，Qwen3-0.6B 在七个库中五个上取得最低 C2ST-Agg；温度与软提示词元数的变化只带来温和差异。