論文の概要: Higher-Order Graph Databases

• arxiv url: http://arxiv.org/abs/2506.19661v1
• Date: Tue, 24 Jun 2025 14:24:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-25 19:48:23.672393
• Title: Higher-Order Graph Databases
• Title（参考訳）: 高階グラフデータベース
• Authors: Maciej Besta, Shriram Chandran, Jakub Cudak, Patrick Iff, Marcin Copik, Robert Gerstenberger, Tomasz Szydlo, Jürgen Müller, Torsten Hoefler,
• Abstract要約: 我々は、新しいクラスのシステム、高階グラフデータベース(HO-GDB)を導入する。 OLAPおよびOLAPクエリの理論的解析を行い、正確性、スケーラビリティ、コンプライアンスを保証する。 ハイパーグラフ,ノードタプル,サブグラフ,その他のHO構造を統一されたAPIでネイティブにサポートする,軽量でモジュール化可能なHO-GDBプロトタイプを実装しています。 私たちの作業は低レイテンシと高スループットを保証し、ACID準拠システムと最終的に一貫性のあるシステムの両方を一般化します。
• 参考スコア（独自算出の注目度）: 15.610611896545281
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in graph databases (GDBs) have been driving interest in large-scale analytics, yet current systems fail to support higher-order (HO) interactions beyond first-order (one-hop) relations, which are crucial for tasks such as subgraph counting, polyadic modeling, and HO graph learning. We address this by introducing a new class of systems, higher-order graph databases (HO-GDBs) that use lifting and lowering paradigms to seamlessly extend traditional GDBs with HO. We provide a theoretical analysis of OLTP and OLAP queries, ensuring correctness, scalability, and ACID compliance. We implement a lightweight, modular, and parallelizable HO-GDB prototype that offers native support for hypergraphs, node-tuples, subgraphs, and other HO structures under a unified API. The prototype scales to large HO OLTP & OLAP workloads and shows how HO improves analytical tasks, for example enhancing accuracy of graph neural networks within a GDB by 44%. Our work ensures low latency and high query throughput, and generalizes both ACID-compliant and eventually consistent systems.
• Abstract（参考訳）: グラフデータベース(GDB)の最近の進歩は、大規模分析への関心を喚起しているが、現在のシステムは、サブグラフカウント、ポリアディックモデリング、HOグラフ学習といったタスクに欠かせない1次(ワンホップ)関係を超えた高次(HO)相互作用をサポートしない。 従来のGDBをHOでシームレスに拡張するために、リフトとダウンのパラダイムを使用する新しいクラスのシステムである高階グラフデータベース(HO-GDB)を導入することで、この問題に対処する。 OLTPおよびOLAPクエリの理論的解析を行い、正確性、スケーラビリティ、ACID準拠性を保証する。 ハイパーグラフ,ノードタプル,サブグラフ,その他のHO構造を統一されたAPIでネイティブにサポートする,軽量でモジュール化可能なHO-GDBプロトタイプを実装しています。 プロトタイプは大規模なHO OLTP & OLAPワークロードにスケールし、例えばGDB内のグラフニューラルネットワークの精度を44%向上するなど、HOが分析タスクをどのように改善するかを示している。 私たちの作業は低レイテンシと高いクエリスループットを確保し、ACID準拠システムと最終的に一貫性のあるシステムの両方を一般化します。

関連論文リスト

• Adaptive Tokenization: On the Hop-Overpriority Problem in Tokenized Graph Learning Models [59.98982735197465]
  トークン学習モデル(TGLM)は、グラフをスケーラブルな処理のために順序付きトークンリストに変換する。 TGLMは手書きのトークンリストに依存しており、さまざまなグラフ学習シナリオへの適応性はまだ未検討である。 本稿では,手書きのトークンリストをTGLMで置き換えるプラグイン・アンド・プレイモジュールであるLearnable Graph Token List(LGTL)を提案する。
  論文  参考訳（メタデータ） (2025-05-19T06:25:33Z)
• RGL: A Graph-Centric, Modular Framework for Efficient Retrieval-Augmented Generation on Graphs [58.10503898336799]
  完全なRAGパイプラインをシームレスに統合するモジュラーフレームワークであるRAG-on-Graphs Library(RGL)を紹介した。 RGLは、さまざまなグラフフォーマットをサポートし、必須コンポーネントの最適化実装を統合することで、重要な課題に対処する。 評価の結果,RGLはプロトタイピングプロセスの高速化だけでなく,グラフベースRAGシステムの性能や適用性の向上も図っている。
  論文  参考訳（メタデータ） (2025-03-25T03:21:48Z)
• Beyond Message Passing: Neural Graph Pattern Machine [50.78679002846741]
  本稿では,グラフサブストラクチャから直接学習することで,メッセージパッシングをバイパスする新しいフレームワークであるNeural Graph Pattern Machine(GPM)を紹介する。 GPMはタスク関連グラフパターンを効率的に抽出し、エンコードし、優先順位付けする。
  論文  参考訳（メタデータ） (2025-01-30T20:37:47Z)
• Top Ten Challenges Towards Agentic Neural Graph Databases [56.92578700681306]
  Neo4jやTigerGraphのようなグラフデータベース(GDB)は相互接続されたデータを扱うのが得意だが、高度な推論機能が欠けている。 本稿では,NGDBを3つのコア機能で拡張するエージェント型ニューラルネットワークデータベース(Agentic NGDB)を提案する。
  論文  参考訳（メタデータ） (2025-01-24T04:06:50Z)
• 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)
• GADBench: Revisiting and Benchmarking Supervised Graph Anomaly Detection [44.501646702560635]
  GADBenchは静的グラフにおける教師付き異常ノード検出専用のベンチマークツールである。 我々の主な発見は、GADタスクに適した最新のGNNよりも、単純な近傍集約によるツリーアンサンブルの方が優れたことだ。
  論文  参考訳（メタデータ） (2023-06-21T13:16:10Z)
• 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)
• A Comprehensive Study on Large-Scale Graph Training: Benchmarking and Rethinking [124.21408098724551]
  グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である 本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。 提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
  論文  参考訳（メタデータ） (2022-10-14T03:43:05Z)

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。