論文の概要: Neural Graph Reasoning: Complex Logical Query Answering Meets Graph Databases

• arxiv url: http://arxiv.org/abs/2303.14617v1
• Date: Sun, 26 Mar 2023 04:03:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-28 18:38:39.569767
• Title: Neural Graph Reasoning: Complex Logical Query Answering Meets Graph Databases
• Title（参考訳）: Neural Graph Reasoning: 複雑な論理クエリアンサリングとグラフデータベース
• Authors: Hongyu Ren, Mikhail Galkin, Michael Cochez, Zhaocheng Zhu, Jure Leskovec
• Abstract要約: 複雑な論理クエリ応答(CLQA)は、グラフ機械学習の最近登場したタスクである。 ニューラルグラフデータベース(NGDB)の概念を紹介する。 NGDBはNeural Graph StorageとNeural Graph Engineで構成されている。
• 参考スコア（独自算出の注目度）: 63.96793270418793
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Complex logical query answering (CLQA) is a recently emerged task of graph machine learning that goes beyond simple one-hop link prediction and solves a far more complex task of multi-hop logical reasoning over massive, potentially incomplete graphs in a latent space. The task received a significant traction in the community; numerous works expanded the field along theoretical and practical axes to tackle different types of complex queries and graph modalities with efficient systems. In this paper, we provide a holistic survey of CLQA with a detailed taxonomy studying the field from multiple angles, including graph types (modality, reasoning domain, background semantics), modeling aspects (encoder, processor, decoder), supported queries (operators, patterns, projected variables), datasets, evaluation metrics, and applications. Refining the CLQA task, we introduce the concept of Neural Graph Databases (NGDBs). Extending the idea of graph databases (graph DBs), NGDB consists of a Neural Graph Storage and a Neural Graph Engine. Inside Neural Graph Storage, we design a graph store, a feature store, and further embed information in a latent embedding store using an encoder. Given a query, Neural Query Engine learns how to perform query planning and execution in order to efficiently retrieve the correct results by interacting with the Neural Graph Storage. Compared with traditional graph DBs, NGDBs allow for a flexible and unified modeling of features in diverse modalities using the embedding store. Moreover, when the graph is incomplete, they can provide robust retrieval of answers which a normal graph DB cannot recover. Finally, we point out promising directions, unsolved problems and applications of NGDB for future research.
• Abstract（参考訳）: 複雑な論理クエリ応答(clqa)はグラフ機械学習の最近出現したタスクであり、単純な1ホップリンク予測を超えて、潜在空間における大規模で潜在的に不完全なグラフに対するマルチホップ論理推論のより複雑なタスクを解決する。 様々な種類の複雑なクエリやグラフモダリティを効率的なシステムで扱うために、多くの研究が理論的および実践的な軸に沿って分野を拡大した。 本稿では,グラフタイプ(モダリティ,推論領域,背景意味論),モデリング側面(エンコーダ,プロセッサ,デコーダ),サポートクエリ(演算子,パターン,投影変数),データセット,評価指標,アプリケーションなど,さまざまな角度から分野を詳細に研究したCLQAの総合的な調査を行う。 CLQAタスクを精査し、ニューラルグラフデータベース(NGDB)の概念を導入する。 グラフデータベース(グラフDB)の考え方を拡張したNGDBは、Neural Graph StorageとNeural Graph Engineで構成されている。 Neural Graph Storageの内部では、グラフストア、機能ストアを設計し、エンコーダを使用して潜伏埋め込みストアにさらに情報を埋め込みます。 クエリが与えられたら、Neural Query Engineはクエリ計画と実行の方法を学び、Neural Graph Storageと対話することで正しい結果の効率よく検索する。 従来のグラフDBと比較すると、NGDBは埋め込みストアを使用して様々なモードの機能の柔軟で統一されたモデリングを可能にする。 さらに、グラフが不完全であれば、通常のグラフ DB が回復できない答えを頑健に検索することができる。 最後に,今後の研究に期待できる方向性,未解決問題,NGDBの応用について述べる。

関連論文リスト

• Graph Neural Networks on Graph Databases [0.0]
  本稿では,最小限のデータをメモリに格納し,クエリエンジンを用いてサンプリングすることにより,グラフDB上でGNNを直接トレーニングする方法を示す。 我々のアプローチでは、GNNのスケーリングの新しい方法と、グラフDBの新しいアプリケーション領域が開きます。
  論文  参考訳（メタデータ） (2024-11-18T08:39:24Z)
• One Model, Any Conjunctive Query: Graph Neural Networks for Answering Complex Queries over Knowledge Graphs [7.34044245579928]
  我々は,知識グラフ上の任意の共役クエリに対する回答を分類可能なグラフニューラルネットワークモデルであるAnyCQを提案する。 我々は、AnyCQが任意の構造を持つ大規模クエリに一般化できることを示し、既存のアプローチが失敗するサンプルに対する回答を確実に分類し、検索する。
  論文  参考訳（メタデータ） (2024-09-21T00:30:44Z)
• Federated Neural Graph Databases [53.03085605769093]
  プライバシを保ちながらマルチソースグラフベースのデータの推論を可能にする新しいフレームワークであるFederated Neural Graph Database (FedNGDB)を提案する。 既存の方法とは異なり、FedNGDBは複雑なグラフ構造と関係を扱うことができ、様々な下流タスクに適合する。
  論文  参考訳（メタデータ） (2024-02-22T14:57:44Z)
• G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
  現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。 一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
  論文  参考訳（メタデータ） (2024-02-12T13:13:04Z)
• A Neuro-Symbolic Framework for Answering Graph Pattern Queries in Knowledge Graphs [17.93455358818447]
  ほとんどのニューロシンボリッククエリプロセッサは木のようなグラフパターンクエリに制約されている。 不完全な知識グラフ上で任意のグラフパターンクエリに応答するフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-10-06T21:31:17Z)
• An Empirical Study of Retrieval-enhanced Graph Neural Networks [48.99347386689936]
  グラフニューラルネットワーク(GNN)は、グラフ表現学習に有効なツールである。 本稿では,グラフニューラルネットワークモデルの選択に非依存な GraphRETRIEVAL という検索強化方式を提案する。 我々は13のデータセットに対して包括的な実験を行い、GRAPHRETRIEVALが既存のGNNよりも大幅に改善されていることを観察した。
  論文  参考訳（メタデータ） (2022-06-01T09:59:09Z)
• Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
  GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。 これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。 4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNNよりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-05-31T10:38:04Z)
• Neural-Symbolic Models for Logical Queries on Knowledge Graphs [17.290758383645567]
  両世界の利点を享受するニューラルシンボリックモデルであるグラフニューラルネットワーククエリ実行器(GNN-QE)を提案する。 GNN-QEは複雑なFOLクエリを、ファジィ集合上の関係投影と論理演算に分解する。 3つのデータセットの実験により、GNN-QEはFOLクエリに応答する以前の最先端モデルよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2022-05-16T18:39:04Z)
• Arch-Graph: Acyclic Architecture Relation Predictor for Task-Transferable Neural Architecture Search [96.31315520244605]
  Arch-Graphはタスク固有の最適アーキテクチャを予測するトランスファー可能なNASメソッドである。 Arch-Graphの転送性と,多数のタスクにわたる高いサンプル効率を示す。 わずか50モデルの予算の下で、2つの検索スペースで平均して0.16%と0.29%のアーキテクチャを見つけることができる。
  論文  参考訳（メタデータ） (2022-04-12T16:46:06Z)
• Interactive Visual Pattern Search on Graph Data via Graph Representation Learning [20.795511688640296]
  視覚分析システムGraphQは、ループ内、サンプルベース、サブグラフパターン検索をサポートする。 高速で対話的なクエリをサポートするために、グラフニューラルネットワーク(GNN)を使用して、グラフを固定長潜在ベクトル表現としてエンコードする。 また,NuroAlignと呼ばれるノードアライメントのための新しいGNNを提案し,クエリ結果の検証と解釈を容易にする。
  論文  参考訳（メタデータ） (2022-02-18T22:30:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。