論文の概要: Unlocking Advanced Graph Machine Learning Insights through Knowledge Completion on Neo4j Graph Database

• arxiv url: http://arxiv.org/abs/2511.11399v1
• Date: Fri, 14 Nov 2025 15:27:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 22:42:18.679195
• Title: Unlocking Advanced Graph Machine Learning Insights through Knowledge Completion on Neo4j Graph Database
• Title（参考訳）: Neo4jグラフデータベースの知識補完による高度なグラフ機械学習インサイトのアンロック
• Authors: Rosario Napoli, Antonio Celesti, Massimo Villari, Maria Fazio,
• Abstract要約: 本稿では,GDB-GMLアプリケーションに知識補完フェーズを統合する革新的なアーキテクチャを提案する。 隠れた知識を明らかにすることがデータセットの振る舞いやメトリクスにどのように影響するかを示します。 実験結果から,我々の直観はトポロジと全体データセットのダイナミックスの両方に大きく反することがわかった。
• 参考スコア（独自算出の注目度）: 1.1059590443280725
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Graph Machine Learning (GML) with Graph Databases (GDBs) has gained significant relevance in recent years, due to its ability to handle complex interconnected data and apply ML techniques using Graph Data Science (GDS). However, a critical gap exists in the current way GDB-GML applications analyze data, especially in terms of Knowledge Completion (KC) in Knowledge Graphs (KGs). In particular, current architectures ignore KC, working on datasets that appear incomplete or fragmented, despite they actually contain valuable hidden knowledge. This limitation may cause wrong interpretations when these data are used as input for GML models. This paper proposes an innovative architecture that integrates a KC phase into GDB-GML applications, demonstrating how revealing hidden knowledge can heavily impact datasets' behavior and metrics. For this purpose, we introduce scalable transitive relationships, which are links that propagate information over the network and modelled by a decay function, allowing a deterministic knowledge flows across multiple nodes. Experimental results demonstrate that our intuition radically reshapes both topology and overall dataset dynamics, underscoring the need for this new GDB-GML architecture to produce better models and unlock the full potential of graph-based data analysis.
• Abstract（参考訳）: グラフデータベース(GDB)を用いたグラフ機械学習(GML)は、複雑な相互接続データを扱う能力とグラフデータサイエンス(GDS)を用いたML技術の適用により、近年、大きな関連性が高まっている。 しかしながら、GDB-GMLアプリケーションは、特に知識グラフ(KG)における知識補完(KC)の観点から、データを解析する現在の方法において、重要なギャップが存在する。 特に、現在のアーキテクチャはKCを無視し、実際には貴重な隠れた知識を含んでいるにもかかわらず、不完全または断片化されたデータセットに取り組んでいる。 この制限は、これらのデータがGMLモデルの入力として使用されるとき、誤った解釈を引き起こす可能性がある。 本稿では,KCフェーズをGDB-GMLアプリケーションに統合した革新的なアーキテクチャを提案する。 この目的のために,ネットワーク上で情報を伝達し,減衰関数でモデル化したリンクであるスケーラブルな推移的関係を導入し,複数のノードをまたいだ決定論的知識のフローを可能にする。 実験結果から,我々の直観はトポロジと全体データセットのダイナミクスを根本的に再認識し,より優れたモデルを作成し,グラフベースのデータ分析の可能性を最大限に活用するために,この新しいGDB-GMLアーキテクチャの必要性を強調した。

関連論文リスト

• G-reasoner: Foundation Models for Unified Reasoning over Graph-structured Knowledge [88.82814893945077]
  大規模言語モデル(LLM)は複雑な推論において優れているが、静的かつ不完全なパラメトリック知識によって制限される。 最近のグラフ強化RAG (GraphRAG) は、このギャップを補足したグラフを構築し、LLMがそれらを推論できるようにする。 G-reasonerは、様々なグラフ構造化知識を推論するためにグラフと言語基盤モデルを統合した統合フレームワークである。
  論文  参考訳（メタデータ） (2025-09-29T04:38:12Z)
• Deep Learning for School Dropout Detection: A Comparison of Tabular and Graph-Based Models for Predicting At-Risk Students [0.2029906424353094]
  学生の退学は、世界中の教育システムにおいて重要な課題である。 グラフニューラルネットワーク(GNN)は、グラフとして構造化された場合、学生データに固有の複雑な関係をキャプチャすることで潜在的な利点を提供する。
  論文  参考訳（メタデータ） (2025-08-09T01:19:32Z)
• RAKG:Document-level Retrieval Augmented Knowledge Graph Construction [10.013667560362565]
  本稿では,自動文書レベルの知識グラフ構築の課題に焦点をあてる。 ドキュメントレベルの検索知識グラフ構築(RAKG)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-14T02:47:23Z)
• TANGNN: a Concise, Scalable and Effective Graph Neural Networks with Top-m Attention Mechanism for Graph Representation Learning [7.879217146851148]
  本稿では,Top-mアテンション機構アグリゲーションコンポーネントと近傍アグリゲーションコンポーネントを統合した,革新的なグラフニューラルネットワーク(GNN)アーキテクチャを提案する。 提案手法の有効性を評価するため,提案手法をGNN分野において未探索の新たな課題である引用感情予測に適用した。
  論文  参考訳（メタデータ） (2024-11-23T05:31:25Z)
• DA-MoE: Addressing Depth-Sensitivity in Graph-Level Analysis through Mixture of Experts [70.21017141742763]
  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を処理することで人気を集めている。 既存のメソッドは通常、固定数のGNNレイヤを使用して、すべてのグラフの表現を生成する。 本稿では,GNNに2つの改良を加えたDA-MoE法を提案する。
  論文  参考訳（メタデータ） (2024-11-05T11:46:27Z)
• GraphEdit: Large Language Models for Graph Structure Learning [14.16155596597421]
  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)
• IGB: Addressing The Gaps In Labeling, Features, Heterogeneity, and Size of Public Graph Datasets for Deep Learning Research [14.191338008898963]
  グラフニューラルネットワーク(GNN)は、さまざまな現実的、挑戦的なアプリケーションに対して高い可能性を示している。 GNN研究の大きな障害の1つは、大規模なフレキシブルデータセットの欠如である。 イリノイグラフベンチマーク(IGB)は、開発者がGNNモデルをトレーニング、精査、評価するために使用できる研究データセットツールである。
  論文  参考訳（メタデータ） (2023-02-27T05:21:35Z)

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。