論文の概要: From Shapes to Shapes: Inferring SHACL Shapes for Results of SPARQL CONSTRUCT Queries (Extended Version)

• arxiv url: http://arxiv.org/abs/2402.08509v1
• Date: Tue, 13 Feb 2024 15:04:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-14 15:07:10.184021
• Title: From Shapes to Shapes: Inferring SHACL Shapes for Results of SPARQL CONSTRUCT Queries (Extended Version)
• Title（参考訳）: 形状から形状へ:SPARQLコンストラクトクエリの結果に対するSHACL形状の推測(拡張バージョン)
• Authors: Philipp Seifer, Daniel Hern\'andez, Ralf L\"ammel, Steffen Staab
• Abstract要約: 与えられたSPARQL ConSTRUCTクエリの出力グラフを全て保持する形状制約の導出について検討する。 本研究では,入力されたSHACL形状とCONSTRUCTクエリを静的に解析し,その音質と複雑さを証明するアルゴリズムを提案し,実装する。
• 参考スコア（独自算出の注目度）: 9.756602980987081
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: SPARQL CONSTRUCT queries allow for the specification of data processing pipelines that transform given input graphs into new output graphs. It is now common to constrain graphs through SHACL shapes allowing users to understand which data they can expect and which not. However, it becomes challenging to understand what graph data can be expected at the end of a data processing pipeline without knowing the particular input data: Shape constraints on the input graph may affect the output graph, but may no longer apply literally, and new shapes may be imposed by the query template. In this paper, we study the derivation of shape constraints that hold on all possible output graphs of a given SPARQL CONSTRUCT query. We assume that the SPARQL CONSTRUCT query is fixed, e.g., being part of a program, whereas the input graphs adhere to input shape constraints but may otherwise vary over time and, thus, are mostly unknown. We study a fragment of SPARQL CONSTRUCT queries (SCCQ) and a fragment of SHACL (Simple SHACL). We formally define the problem of deriving the most restrictive set of Simple SHACL shapes that constrain the results from evaluating a SCCQ over any input graph restricted by a given set of Simple SHACL shapes. We propose and implement an algorithm that statically analyses input SHACL shapes and CONSTRUCT queries and prove its soundness and complexity.
• Abstract（参考訳）: SPARQL ConSTRUCTクエリは、与えられた入力グラフを新しい出力グラフに変換するデータ処理パイプラインの仕様を可能にする。 現在、SHACL形状でグラフを制約することが一般的であり、ユーザーは期待できるデータとしないデータを理解することができる。 しかし、特定の入力データを知ることなく、データ処理パイプラインの最後にどのようなグラフデータが期待できるかを理解することは難しくなり、入力グラフの形状制約は出力グラフに影響を与えるかもしれないが、文字通り適用されなくなり、クエリテンプレートによって新たな形状が課される可能性がある。 本稿では,与えられたSPARQLコンストラクトクエリの出力グラフを全て保持する形状制約の導出について検討する。 sparqlコンストラクタクエリはプログラムの一部として固定されていると仮定し、入力グラフは入力形状の制約に従うが、時間とともに異なる可能性があるため、ほとんど未知である。 本稿では,SPARQL ConSTRUCTクエリ(SCCQ)の断片とSHACL(Simple SHACL)の断片について検討する。 我々は,SHACL 形状の与えられた集合に制限された任意の入力グラフ上で SCCQ を評価することによる結果を制約する,SHACL 形状の最も制限された集合を導出する問題を正式に定義する。 本研究では,入力SHACL形状とコンストラクトクエリを静的に解析し,その音質と複雑さを証明するアルゴリズムを提案する。

関連論文リスト

• Effective Instruction Parsing Plugin for Complex Logical Query Answering on Knowledge Graphs [51.33342412699939]
  知識グラフクエリ埋め込み(KGQE)は、不完全なKGに対する複雑な推論のために、低次元KG空間に一階論理(FOL)クエリを埋め込むことを目的としている。 近年の研究では、FOLクエリの論理的セマンティクスをよりよく捉えるために、さまざまな外部情報(エンティティタイプや関係コンテキストなど)を統合している。 コードのようなクエリ命令から遅延クエリパターンをキャプチャする効果的なクエリ命令解析(QIPP)を提案する。
  論文  参考訳（メタデータ） (2024-10-27T03:18:52Z)
• Pathformer: Recursive Path Query Encoding for Complex Logical Query Answering [20.521886749524814]
  木のような計算グラフ,すなわちクエリツリーをベースとした,Pathformerと呼ばれるニューラルネットワークによる一点埋め込み手法を提案する。 具体的には、Pathformerはクエリ計算ツリーを分岐によってパスクエリシーケンスに分解する。 これにより、Pathformerは将来のコンテキスト情報を完全に活用して、パスクエリの様々な部分間の複雑な相互作用を明示的にモデル化することができる。
  論文  参考訳（メタデータ） (2024-06-21T06:02:58Z)
• GraphEdit: Large Language Models for Graph Structure Learning [62.618818029177355]
  グラフ構造学習(GSL)は、グラフ構造データ中のノード間の固有の依存関係と相互作用をキャプチャすることに焦点を当てている。 既存のGSL法は、監督信号として明示的なグラフ構造情報に大きく依存している。 グラフ構造化データの複雑なノード関係を学習するために,大規模言語モデル(LLM)を利用したグラフ編集を提案する。
  論文  参考訳（メタデータ） (2024-02-23T08:29:42Z)
• Single-Stage Visual Relationship Learning using Conditional Queries [60.90880759475021]
  TraCQは、マルチタスク学習問題とエンティティペアの分布を回避する、シーングラフ生成の新しい定式化である。 我々は,DETRをベースとしたエンコーダ-デコーダ条件付きクエリを用いて,エンティティラベル空間を大幅に削減する。 実験結果から、TraCQは既存のシングルステージシーングラフ生成法よりも優れており、Visual Genomeデータセットの最先端の2段階メソッドを多く上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-06-09T06:02:01Z)
• Neural Graph Reasoning: Complex Logical Query Answering Meets Graph Databases [63.96793270418793]
  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。
  論文  参考訳（メタデータ） (2023-03-26T04:03:37Z)
• AutoQGS: Auto-Prompt for Low-Resource Knowledge-based Question Generation from SPARQL [18.019353543946913]
  本研究では,知識に基づく質問生成(KBQG)の課題について検討する。 従来のKBQGは知識グラフのファクトトリプルから質問を生成するが、これはSPARQLの集約や比較のような複雑な操作を表現できない。 本研究では,SPARQLをNL記述に書き換えるために,大規模教師なしデータに基づいて訓練された自動プロンプタを提案する。
  論文  参考訳（メタデータ） (2022-08-26T06:53:46Z)
• Knowledge Base Question Answering by Case-based Reasoning over Subgraphs [81.22050011503933]
  本モデルでは,既存のKG補完アルゴリズムよりも複雑な推論パターンを必要とする問合せに対して,より効果的に答えることを示す。 提案モデルは、KBQAベンチマークの最先端モデルよりも優れているか、競合的に動作する。
  論文  参考訳（メタデータ） (2022-02-22T01:34:35Z)
• Shape Fragments [2.5922360296344396]
  ShExやSHACLのようなRDFグラフの制約言語では、ノードとその特性に対する制約は"shapes"として知られている。 本稿では, RDFグラフから, いわゆる形状フラグメントであるサブグラフを抽出するために, 形状の集合を用いた新しい利用法を提案する。
  論文  参考訳（メタデータ） (2021-12-22T11:01:50Z)
• Outlining and Filling: Hierarchical Query Graph Generation for Answering Complex Questions over Knowledge Graph [16.26384829957165]
  クエリグラフを構築するための新しい2段階のアプローチを提案する。 最初の段階では、上位$kの関連インスタンスは単純な戦略で収集される。 第2段階では、グラフ生成モデルが階層生成を行う。
  論文  参考訳（メタデータ） (2021-11-01T07:08:46Z)
• Knowledge Graph Question Answering using Graph-Pattern Isomorphism [0.0]
  TeBaQAは、SPARQLクエリの基本グラフパターンからグラフ同型に基づいて、質問に答えることを学ぶ。 TeBaQAはQALD-8で最先端のパフォーマンスを達成し、QALD-9とLC-QuAD v1で同等の結果を提供する。
  論文  参考訳（メタデータ） (2021-03-11T16:03:24Z)
• Context-Aware Graph Convolution Network for Target Re-identification [61.34688291210318]
  提案手法は、人および車両再識別データセットにおける最先端のパフォーマンスを実現する。 本稿では,プローブとガリーの関係をグラフノードにエンコードする新しいコンテキストアウェアグラフ畳み込みネットワーク(cagcn)を提案する。 実験により,提案手法が車体および車体の再識別データセットにおいて最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-12-08T09:18:39Z)

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。