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
• Authors: Yufei Li, Yisen Gao, Jiaxin Bai, Jiaxuan Xiong, Haoyu Huang, Zhongwei Xie, Hong Ting Tsang, Yangqiu Song,
• 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

• 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)
• 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)
• 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)

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。