論文の概要: Towards Neural Graph Data Management

• arxiv url: http://arxiv.org/abs/2603.05529v1
• Date: Fri, 27 Feb 2026 08:59:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 13:17:44.092463
• Title: Towards Neural Graph Data Management
• Title（参考訳）: ニューラルグラフデータ管理に向けて
• Abstract要約: NGDBenchは5つの異なる領域にわたるニューラルグラフデータベース機能を評価するための統一ベンチマークである。 NGDBenchは完全なCypherクエリ言語をサポートし、複雑なパターンマッチング、可変長パス、数値集約を可能にする。 現状のLCMとRAG法の評価では, 構造的推論, 雑音の頑健性, 解析的精度に重大な制限が認められる。
• 参考スコア（独自算出の注目度）: 48.66793294452754
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While AI systems have made remarkable progress in processing unstructured text, structured data such as graphs stored in databases, continues to grow rapidly yet remains difficult for neural models to effectively utilize. We introduce NGDBench, a unified benchmark for evaluating neural graph database capabilities across five diverse domains, including finance, medicine, and AI agent tooling. Unlike prior benchmarks limited to elementary logical operations, NGDBench supports the full Cypher query language, enabling complex pattern matching, variable-length paths, and numerical aggregations, while incorporating realistic noise injection and dynamic data management operations. Our evaluation of state-of-the-art LLMs and RAG methods reveals significant limitations in structured reasoning, noise robustness, and analytical precision, establishing NGDBench as a critical testbed for advancing neural graph data management. Our code and data are available at https://github.com/HKUST-KnowComp/NGDBench.
• Abstract（参考訳）: AIシステムは構造化されていないテキストの処理において顕著な進歩を遂げているが、データベースに格納されたグラフのような構造化されたデータは急速に成長し続けている。 NGDBenchは、ファイナンス、医療、AIエージェントツールを含む5つの異なる領域にわたるニューラルネットワークデータベース機能を評価するための統一ベンチマークである。 基本的な論理演算に限定された以前のベンチマークとは異なり、NGDBenchはCypherクエリ言語を完全にサポートし、現実的なノイズ注入と動的データ管理操作を取り入れながら、複雑なパターンマッチング、可変長パス、数値集約を可能にした。 現状のLCMとRAG法の評価では,構造的推論,雑音の頑健性,解析的精度に重大な制限が見られ,NGDBenchをニューラルネットワークデータ管理の重要試験台として確立した。 私たちのコードとデータはhttps://github.com/HKUST-KnowComp/NGDBench.comで公開されています。

関連論文リスト

• Target-Aware Data Augmentation for SAT Prediction [5.288977149942441]
  Boolean satisfiability (SAT)のようなドメインでは、標準的なパイプラインはサーボ・イン・ザ・ループ・ラベリングに依存している。 このボトルネックは、難しい問題の構造を捉えるために機械学習を活用するという、より広範な目標を妨げます。 本研究では,SAT と UNSAT を正しくラベル付けした SAT と UNSAT インスタンスを構築により生成する SAT のターゲットアウェア,ソルバフリーなデータ生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-07T20:45:08Z)
• NGDB-Zoo: Towards Efficient and Scalable Neural Graph Databases Training [55.35217340229661]
  NGDB-Zooは,演算子レベルのトレーニングをセマンティック拡張と相乗化することでボトルネックを解消する統合フレームワークである。 NGDB-Zooは多種多様な論理パターンにまたがって高いGPU利用率を維持し, ハイブリッド型ニューロシンボリック推論における摩擦を著しく軽減することを示した。
  論文  参考訳（メタデータ） (2026-02-25T05:46:42Z)
• A Systematic Evaluation of Sample-Level Tokenization Strategies for MEG Foundation Models [6.336623115095147]
  近年の自然言語処理の成功は、ニューロイメージングデータのための大規模基盤モデルへの関心が高まっている。 ニューラルネットワークに対する異なるトークン化戦略の影響は、現時点ではあまり理解されていない。 本稿では,脳磁図(MEG)データに適用したトランスフォーマーを用いた大規模ニューロイメージングモデルに対して,サンプルレベルのトークン化戦略を体系的に評価する。
  論文  参考訳（メタデータ） (2026-02-18T17:21:02Z)
• 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 Federated Neural Graph Databases for Answering Complex Queries from Distributed Knowledge Graphs [53.03085605769093]
  我々は、マルチソースグラフデータに対するプライバシ保護推論を促進する先駆的な体系的フレームワークであるFederated Neural Graph DataBase(FedNGDB)を学習することを提案する。 FedNGDBは、フェデレートされた学習を活用して、複数のソースにわたるグラフ表現を協調的に学習し、エンティティ間の関係を強化し、グラフデータの全体的な品質を改善する。
  論文  参考訳（メタデータ） (2024-02-22T14:57:44Z)
• Privacy-Preserved Neural Graph Databases [48.57788773216699]
  NGDBにおけるプライバシー漏洩のリスクを軽減するために,プライバシ保存型ニューラルグラフデータベース(P-NGDB)フレームワークを提案する。 本研究は,NGDBを訓練段階に導入し,個人情報で質問したときの識別不能な回答を生成する。
  論文  参考訳（メタデータ） (2023-12-25T02:32:05Z)
• 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)

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。