論文の概要: Transforming Shape Schemas with Composable Property-Graph Queries (Extended Version)

• arxiv url: http://arxiv.org/abs/2606.14309v1
• Date: Fri, 12 Jun 2026 09:49:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.858917
• Title: Transforming Shape Schemas with Composable Property-Graph Queries (Extended Version)
• Title（参考訳）: 構成可能なプロパティグラフクエリによる形状変換(拡張バージョン)
• Authors: Philipp Seifer, Daniel Hernández, Ralf Lämmel, Steffen Staab,
• Abstract要約: 構成可能なプロパティグラフクエリは入力グラフを出力グラフに変換する。 入力スキーマと変換クエリによってスキーマ制約をどのように推測するかを検討する。
• 参考スコア（独自算出の注目度）: 11.511240384529835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Property graphs may be constrained by schemas that inform both query engines and human users about the shape of valid data, enforcing a contract between data provider and consumer. Composable property-graph queries transform input graphs into output graphs. Then, the question arises of which schema can be expected after one (or several) transformation steps. We investigate how schema constraints can be inferred given an input schema and a transforming query. Specifically, we propose a reasoning procedure that, given an input schema in ProGS and a query in G-CORE infers an output schema. Since graph updates will happen frequently, our inference procedure does not rely on graph instances, such that the computed output schema applies to all graphs originating from any input graph complying with the input schema. Related work has addressed this problem for SPARQL CONSTRUCT queries, encoding it in Description Logics (DLs) so that the output schema is entailed by axioms inferred from input schema and queries. Property graphs and their queries, however, complicate the matter, as property graphs feature label and property annotations as well as first-class edges. Thus, reification has to be used in one way or another, though available DLs lack the means to encode such features directly. We approach this novel challenge via a family of mappings for i) property graphs reified in RDF, aligned with ii) a mapping from ProGS to SHACL and iii) a mapping from G-CORE to SPARQL CONSTRUCT queries. In this manner, schema inference for property graphs becomes manageable, as we break apart the problem through the extra mapping layer and utilize efficient DL reasoners. We develop the metatheory regarding the soundness of inferred schema constraints and the semantic equivalence of mapped schemas and queries.
• Abstract（参考訳）: プロパティグラフは、クエリエンジンとヒューマンユーザの両方に有効なデータの形状を知らせ、データプロバイダとコンシューマ間の契約を強制するスキーマによって制約される可能性がある。 構成可能なプロパティグラフクエリは入力グラフを出力グラフに変換する。 次に、スキーマは1つ(または複数の)変換ステップ後にどのスキーマが期待できるのかという問題が発生する。 入力スキーマと変換クエリによってスキーマ制約をどのように推測するかを検討する。 具体的には、ProGSの入力スキーマとG-COREのクエリが出力スキーマを推論する推論手順を提案する。 グラフ更新が頻繁に行われるので、我々の推論手順はグラフインスタンスに依存しないので、計算された出力スキーマは入力スキーマに準拠した任意の入力グラフから派生した全てのグラフに適用される。 関連する作業では、SPARQL CONSTRUCTクエリのこの問題に対処し、記述論理(DL)にエンコードすることで、入力スキーマとクエリから推測される公理によって出力スキーマが関連付けられるようにしている。 しかし、プロパティグラフとそのクエリは、プロパティグラフがラベルとプロパティアノテーションとファーストクラスのエッジを特徴とするので、この問題を複雑にします。 したがって、リフィケーションはいずれかの方法で使用される必要があるが、利用可能なDLは、そのような機能を直接エンコードする手段を欠いている。 私たちはこの新たな課題に,マッピングのファミリを通じてアプローチします。 一 プロパティグラフをRDFで改定し、整列する 二) ProGS から SHACL への写像及び 三 G-COREからSPARQLコンストラクトクエリへのマッピング。 このようにして、余分なマッピング層を通じて問題を分解し、効率的なDL推論を利用すれば、プロパティグラフのスキーマ推論が管理できるようになる。 提案手法は,推定スキーマ制約の音質と,マップ化されたスキーマとクエリの意味的等価性に関するメタセトリーを開発する。

関連論文リスト

• What Makes a Desired Graph for Relational Deep Learning? [15.512851304695722]
  データベーススキーマから直接派生したグラフは、グラフリレーショナルネットワーク(GNN)がリレーショナル推論を行うのに適していないことが多い。 深層学習のためのリレーショナルグラフについて検討し、スキーマ由来のグラフが2つの体系的障害(情報過負荷と意味的断片化)に悩まされていることを示す。
  論文  参考訳（メタデータ） (2026-06-07T07:30:34Z)
• Graph Pattern-based Association Rules Evaluated Under No-repeated-anything Semantics in the Graph Transactional Setting [0.6599344783327054]
  RDFグラフのような有向ラベル付き多グラフに対するグラフパターンに基づくアソシエーションルール(GPAR)を導入する。 GPARはグラフが拡張された生成タスクと、グラフの妥当性を評価する評価タスクの両方をサポートする。
  論文  参考訳（メタデータ） (2025-12-17T10:52:15Z)
• You Don't Need Pre-built Graphs for RAG: Retrieval Augmented Generation with Adaptive Reasoning Structures [16.867592142212203]
  大型言語モデル(LLM)はしばしば幻覚に悩まされ、知識を超えた質問を処理する際に、事実的に誤った文を生成する。 Retrieval-augmented Generation (RAG)は、LLM推論をサポートするために、知識ベースからクエリ関連コンテキストを取得することで、この問題に対処する。 既存のGraphベースのRAGメソッドは、コーパスをグラフに変換するためのコストの高いプロセスに依存しており、圧倒的なトークンコストとアップデートのレイテンシを導入している。 本稿では,推論時に推論構造を動的に抽出し,事前に構築したグラフを使わずに適応検索を誘導するLogicRAGを提案する。
  論文  参考訳（メタデータ） (2025-08-08T08:07:40Z)
• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• 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)
• Schema-Guided Scene-Graph Reasoning based on Multi-Agent Large Language Model System [5.37125692728042]
  マルチエージェント大規模言語モデル(LLM)に基づく反復ガイド付シーングラフ推論フレームワークを提案する。 2つのモジュールが反復的に協調し、シーケンシャルな推論とグラフ情報への適応的な注意を可能にする。 我々のフレームワークは,従来のLCMベースのアプローチや,ベースラインの単一エージェント,ツールベースのReason-while-Retrieve戦略を超越した数値Q&Aと計画タスクを実現している。
  論文  参考訳（メタデータ） (2025-02-05T18:50:38Z)
• From Shapes to Shapes: Inferring SHACL Shapes for Results of SPARQL CONSTRUCT Queries (Extended Version) [9.756602980987081]
  与えられたSPARQL ConSTRUCTクエリの出力グラフを全て保持する形状制約の導出について検討する。 本研究では,入力されたSHACL形状とCONSTRUCTクエリを静的に解析し,その音質と複雑さを証明するアルゴリズムを提案し,実装する。
  論文  参考訳（メタデータ） (2024-02-13T15:04:11Z)
• Schema-adaptable Knowledge Graph Construction [47.772335354080795]
  従来の知識グラフ構築(KGC)アプローチは、通常、事前定義されたスキーマの閉じたセットで静的情報抽出パラダイムに従う。 我々は,スキーマ適応型KGCと呼ばれる新しいタスクを提案する。このタスクは,動的に変化するスキーマグラフに基づいて,再学習せずにエンティティ,リレーション,イベントを継続的に抽出することを目的としている。
  論文  参考訳（メタデータ） (2023-05-15T15:06:20Z)
• 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)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)

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。