論文の概要: Relational-Core Graph Analytics Querying graphs at SQL scale, and why the node/edge model is a performance tax, not a truer picture of connected data
- arxiv url: http://arxiv.org/abs/2609.01525v1
- Date: Tue, 01 Sep 2026 16:55:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-02 16:31:36.881269
- Title: Relational-Core Graph Analytics Querying graphs at SQL scale, and why the node/edge model is a performance tax, not a truer picture of connected data
- Title（参考訳）: リレーショナルコアグラフ分析 グラフをSQLスケールでクエリする理由とノード/エッジモデルがパフォーマンス税であり、接続されたデータの真の姿ではない理由
- Authors: Gene Zhang,
- Abstract要約: 永続的な仮定では、グラフ分析には目的を持ったグラフエンジンが必要である。
私たちは、企業が実際に実行するワークロードに対して、その逆を論じています。
グラフクエリ言語で表されるカラムリレーショナルエンジンは、分析グラフクエリ上でネイティブグラフエンジンと一致するか、あるいは超える。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A durable assumption holds that graph analytics requires a purpose-built graph engine, and that relational systems are ill-suited to connected data. We argue the opposite for the workloads enterprises actually run. A columnar relational engine fronted by a graph query language matches or exceeds native graph engines on analytical graph queries, and - decisively - scales past the point where in-memory graph engines fail. We further argue that the node/edge property graph is not a more faithful model of connected data but a re-encoding of relationships that already exist explicitly in relational tables; reconstructing them at query time is pure overhead. We present ClickGraph and its Databricks-dialect sibling DeltaGraph, systems that translate Cypher directly onto the native relational schema - the tables, columns, and foreign keys as they already exist - and execute in place on ClickHouse, Databricks, or in-process on lakehouse files, with no import and no separate cluster. Because the output is ordinary SQL, an underperforming query is an open optimization surface: it can be rewritten, and the engine itself extended. We support the argument with a peer system's own published benchmark, in which a columnar engine outruns Neo4j by two-to-four orders of magnitude, and with reproducible measurements across the LDBC Social Network Benchmark suite.
- Abstract（参考訳）: 永続的な仮定は、グラフ分析には目的を持ったグラフエンジンが必要であり、リレーショナルシステムは接続されたデータに不適である、というものである。
私たちは、企業が実際に実行するワークロードに対して、その逆を論じています。
グラフクエリ言語がフロントにあるカラム型リレーショナルエンジンは、分析グラフクエリ上でネイティブグラフエンジンと一致するか、あるいは超える。
さらに、ノード/エッジプロパティグラフは、接続されたデータのより忠実なモデルではなく、リレーショナルテーブルにすでに存在する関係の再エンコーディングであると主張する。
我々は、ClickGraphとそのDatabricks-dialect sibling DeltaGraphを紹介します。Cypherをネイティブリレーショナルスキーマ(テーブル、列、外部キー)に直接変換するシステムで、ClickHouse、Databricks、あるいはレイクハウスファイルのプロセス上で、インポートなしで実行します。
出力は通常のSQLであるため、パフォーマンスの低いクエリはオープンな最適化サーフェスである。
我々は、ピアシステム独自のベンチマークで議論を支援し、列エンジンがNeo4jを2～4桁で上回り、LDBC Social Network Benchmarkスイート全体で再現可能な測定を行う。
関連論文リスト
- SelfGraphRAG: Bridging the Supervision Gap in Graph-Based RAG with Synthetic QA Generation [10.08021023788401]
SelfGraphRAGは知識グラフ構造から直接質問応答ペアを生成し、クエリ条件のグラフ検索をトレーニングするフレームワークである。
本稿では,SelfGraphRAGにより,埋め込みベースラインよりも検索精度と下流推論性能が向上することを示す。
論文 参考訳（メタデータ） (2026-08-25T20:18:05Z) - post-graph-rag: A PostgreSQL-Native Graph RAG Engine [0.0]
Post-graph-ragはオープンソースのグラフエンジンである。
抽出時間不変量は、何かを書く前に実行される。
時間層により、関係は散文から有効期間を持てる。
クエリ可能な1: 異なるエッジラベルは、関係ごとに0.46から0.58で、制御された語彙の下で0.11で、0.77から1.33で実行される。
論文 参考訳（メタデータ） (2026-08-14T22:06:39Z) - AutoGrable: What Is a Good Graph for a Table? [5.965765632793876]
グラフ学習では、どのエンティティがノードになり、どのエンティティが接続し、どの関係を通すかを決定する必要がある。
最小のテーブル-グラフ抽象では、各行はノードであり、1-WLで区切られたメッセージパスGNNは、行をカラーリファインメントクラスに分割したものとしてのみ構成される。
インシデント構築では、パーティションは選択した列によって固定されるため、グラフの構築はそれらを選択することを減らす。
論文 参考訳（メタデータ） (2026-08-11T20:53:42Z) - 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) - An Automatic Graph Construction Framework based on Large Language Models for Recommendation [49.51799417575638]
本稿では,大規模言語モデルに基づく自動グラフ構築フレームワークであるAutoGraphを紹介する。
LLMはユーザ好みとアイテムの知識を推論し、セマンティックベクターとして符号化する。
潜在因子は、ユーザ/イテムノードをリンクする余分なノードとして組み込まれ、結果として、深いグローバルビューセマンティクスを持つグラフとなる。
論文 参考訳（メタデータ） (2024-12-24T07:51:29Z) - Joint Entity and Relation Extraction with Span Pruning and Hypergraph
Neural Networks [58.43972540643903]
PLマーカ(最先端マーカーベースピプレリンモデル)上に構築されたEREのためのHyperGraphニューラルネットワーク(hgnn$)を提案する。
エラーの伝播を軽減するため,NERモジュールからのエンティティ識別とラベル付けの負担をモデルのジョイントモジュールに転送するために,ハイリコールプルーナー機構を用いる。
EREタスクに広く使用されている3つのベンチマークの実験は、以前の最先端のPLマーカーよりも大幅に改善されている。
論文 参考訳（メタデータ） (2023-10-26T08:36:39Z) - 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) - LGESQL: Line Graph Enhanced Text-to-SQL Model with Mixed Local and
Non-Local Relations [35.22082070904513]
この研究は、テキストからネイティブタスクにおける不均一なグラフ符号化問題に取り組むことを目的としている。
本稿では,Line Graph Enhanced Text-to-native (LGE)モデルを提案する。
我々のフレームワークは、クロスドメインテキスト-ネイティブベンチマークで最先端の結果(Gloveは62.8%、Electraは72.0%)を達成する。
論文 参考訳（メタデータ） (2021-06-02T11:53:35Z) - GraphSVX: Shapley Value Explanations for Graph Neural Networks [81.83769974301995]
グラフニューラルネットワーク(GNN)は、幾何データに基づく様々な学習タスクにおいて大きな性能を発揮する。
本稿では,既存のGNN解説者の多くが満足する統一フレームワークを提案する。
GNN用に特別に設計されたポストホックローカルモデル非依存説明法であるGraphSVXを紹介します。
論文 参考訳（メタデータ） (2021-04-18T10:40:37Z) - Jointly Cross- and Self-Modal Graph Attention Network for Query-Based
Moment Localization [77.21951145754065]
本稿では,共同グラフを渡る反復的メッセージのプロセスとして,このタスクをリキャストするクロスモーダルグラフ注意ネットワーク(CSMGAN)を提案する。
CSMGANは2つのモード間の高次相互作用を効果的に捉えることができ、より正確な局所化を可能にします。
論文 参考訳（メタデータ） (2020-08-04T08:25:24Z)
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。