論文の概要: Graph Neural Networks for Databases: A Survey

• arxiv url: http://arxiv.org/abs/2502.12908v2
• Date: Wed, 19 Feb 2025 05:09:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-20 10:37:13.201752
• Title: Graph Neural Networks for Databases: A Survey
• Title（参考訳）: データベースのためのグラフニューラルネットワーク: サーベイ
• Authors: Ziming Li, Youhuan Li, Yuyu Luo, Guoliang Li, Chuxu Zhang,
• Abstract要約: グラフ計算ネットワーク(GNN)はグラフデータのための強力なディープラーニングモデルであり、さまざまな領域で顕著な成功を収めている。 近年、データベース(DB)コミュニティは、GNNの可能性をますます認識し、GNNベースのアプローチによるデータベースシステムの改善に焦点を当てた研究が急増している。 本調査は,DBシステムにおけるGNNの構造的かつ詳細な概要を提供することで,このギャップを埋めることを目的としている。
• 参考スコア（独自算出の注目度）: 40.25404188975937
• License:
• Abstract: Graph neural networks (GNNs) are powerful deep learning models for graph-structured data, demonstrating remarkable success across diverse domains. Recently, the database (DB) community has increasingly recognized the potentiality of GNNs, prompting a surge of researches focusing on improving database systems through GNN-based approaches. However, despite notable advances, There is a lack of a comprehensive review and understanding of how GNNs could improve DB systems. Therefore, this survey aims to bridge this gap by providing a structured and in-depth overview of GNNs for DB systems. Specifically, we propose a new taxonomy that classifies existing methods into two key categories: (1) Relational Databases, which includes tasks like performance prediction, query optimization, and text-to-SQL, and (2) Graph Databases, addressing challenges like efficient graph query processing and graph similarity computation. We systematically review key methods in each category, highlighting their contributions and practical implications. Finally, we suggest promising avenues for integrating GNNs into Database systems.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、グラフ構造化データの強力なディープラーニングモデルであり、さまざまな領域で顕著な成功を収めている。 近年、データベース(DB)コミュニティは、GNNの可能性をますます認識し、GNNベースのアプローチによるデータベースシステムの改善に焦点を当てた研究が急増している。 しかし、顕著な進歩にもかかわらず、GNNがDBシステムをどのように改善できるかに関する包括的なレビューと理解が欠如している。 そこで本研究では,DB システムにおける GNN の構造的かつ詳細な概要を提供することにより,このギャップを埋めることを目的としている。 具体的には,既存のメソッドを2つの重要なカテゴリに分類する新たな分類法を提案する。(1) 性能予測,クエリ最適化,テキスト・トゥ・SQLなどのタスクを含む関係データベース,(2) グラフデータベースは,効率的なグラフクエリ処理やグラフ類似性計算といった課題に対処する。 それぞれのカテゴリにおける重要な手法を体系的にレビューし、その貢献と実践的意味を強調した。 最後に、GNNをデータベースシステムに統合するための有望な道を提案する。

関連論文リスト

• Learning Topological Representations with Bidirectional Graph Attention Network for Solving Job Shop Scheduling Problem [27.904195034688257]
  既存の学習に基づくジョブショップスケジューリング問題の解法(JSSP)は、通常、非方向性グラフに適した既製のGNNモデルを使用し、解離グラフ(DG)のリッチで有意義な位相構造を無視する。 本稿では,JSSP を解決するための DG を局所検索フレームワークに組み込むためのトポロジ対応双方向グラフアテンションネットワーク (TBGAT) を提案する。
  論文  参考訳（メタデータ） (2024-02-27T15:33:20Z)
• The Evolution of Distributed Systems for Graph Neural Networks and their Origin in Graph Processing and Deep Learning: A Survey [17.746899445454048]
  グラフニューラルネットワーク(GNN)は、新たな研究分野である。 GNNはレコメンデーションシステム、コンピュータビジョン、自然言語処理、生物学、化学など様々な分野に適用できる。 我々は,大規模GNNソリューションの重要な手法と手法を要約し,分類することで,このギャップを埋めることを目指している。
  論文  参考訳（メタデータ） (2023-05-23T09:22:33Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• 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)
• 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)
• GPN: A Joint Structural Learning Framework for Graph Neural Networks [36.38529113603987]
  グラフ構造と下流タスクを同時に学習するGNNベースの共同学習フレームワークを提案する。 本手法は,この課題を解決するためのGNNベースの二段階最適化フレームワークである。
  論文  参考訳（メタデータ） (2022-05-12T09:06:04Z)
• Pooling Architecture Search for Graph Classification [36.728077433219916]
  グラフニューラルネットワーク(GNN)は、近傍のアグリゲーションスキームに基づいてノードレベルの表現を学習するように設計されている。 集約操作後にポーリング法を適用し、粗い粒度のグラフを生成する。 ほとんどのケースでうまく機能するように、普遍的なプールアーキテクチャを設計することは難しい問題である。 グラフ分類のための適応型プールアーキテクチャを探索するために,ニューラルアーキテクチャサーチ(NAS)を提案する。
  論文  参考訳（メタデータ） (2021-08-24T09:03:03Z)
• Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
  グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。 複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。 本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:03:06Z)

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。