論文の概要: Graph Memory for LLM Agents: At What Cost? A Comparative Evaluation of Query, Ingest, and Update Performance Across Graph Database Engines

• arxiv url: http://arxiv.org/abs/2609.23315v1
• Date: Sun, 20 Sep 2026 03:04:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:03.929258
• Title: Graph Memory for LLM Agents: At What Cost? A Comparative Evaluation of Query, Ingest, and Update Performance Across Graph Database Engines
• Title（参考訳）: LLMエージェントのグラフメモリ:何のコストで? グラフデータベースエンジン間のクエリ、取り込み、更新パフォーマンスの比較評価
• Abstract要約: 我々は合成生物医学的な特性グラフ(1.02万ノード、534万ノードとエッジ行)を構築した。 我々はCorvic AIを、7つの目的に構築されたグラフ拡張データベースシステム(LoraDB、Ladybug、DuckPGQ、Memgraph、Neo4j、HugeGraph、FarkorDB)と比較した。 クエリ待ち時間、バルク入力スループット、ポイント更新レイテンシ、および各システムに対する応答正当性を報告し、簡単な総コストオーバシップモデルを導出する。
• 参考スコア（独自算出の注目度）: 1.752768425135374
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph databases are frequently positioned as categorically necessary for connected-data workloads, yet the systems dimension along which they actually differ - query planning, indexing, and data-readiness cost - is rarely isolated from vendor framing. We construct a synthetic, biomedical-shaped property graph (1.02 million nodes, 5.34 million total node and edge rows) and a twenty-query workload spanning neighborhood lookups, bounded paths, set intersections, anti-joins, grouped aggregation, top-k ranking, temporal filters, full scans, and relational joins. We benchmark Corvic AI - a purpose-built columnar query engine underlying Corvic's ontology management layer ("memories")- against seven purpose-built or graph-extension database systems (LoraDB, Ladybug, DuckPGQ, Memgraph, Neo4j, HugeGraph, and FalkorDB) at three graph scales spanning three orders of magnitude. We report query latency geomeans, bulk-ingest throughput, point-update latency, and answer correctness for each system, and we derive a simple total-cost-of-ownership model that expresses the ingest/query trade-off as a function of query volume. Our central finding is that no system in this sample is categorically fastest: a native graph engine (Ladybug) outperforms Corvic AI on narrow, bounded-neighborhood shapes, while Corvic AI is faster on shapes that scan or join a large fraction of the graph, and a system implementing graph query syntax via SQL/PGQ (DuckPGQ) is measurably slower purely due to query-plan choice. The dominant cost differential in our data is not query latency but the cost of making data queryable at all: bulk-ingest throughput varies by three orders of magnitude across engines (5.0k-4.3M rows/s), a gap that a simple crossover-point calculation shows dominates total cost for any workload with fewer than roughly 105 queries per data refresh.
• Abstract（参考訳）: グラフデータベースは、コネクテッドデータワークロードにおいて、分類学的に必要とされていることが多いが、それらが実際に異なるシステム次元 – クエリ計画、インデックス作成、データ可読性コスト – は、ベンダーのフレーミングから分離されることは滅多にない。 人工的な生体医学的な特性グラフ(1.02万ノード、5.34万ノードとエッジ行)と、近隣のルックアップ、境界パス、セット交差点、アンチジョイント、グループ集約、トップクランク、テンポラリフィルタ、フルスキャン、リレーショナル結合にまたがる20クエリのワークロードを構築した。 Corvic AI - Corvicのオントロジー管理層(Memories)を基盤とする,汎用あるいはグラフ拡張データベースシステム(LoraDB, Ladybug, DuckPGQ, Memgraph, Neo4j, HugeGraph, FalkorDB)を,3桁のグラフスケールでベンチマークする。 クエリ待ち時間、バルク入力スループット、ポイント更新レイテンシ、各システムに対する応答正当性を報告し、クエリボリュームの関数として取り込み/クエリのトレードオフを表現するシンプルな総コストオーバシップモデルを導出する。 ネイティブグラフエンジン(Ladybug)は、狭い境界近傍の形状でCorvic AIを上回り、Corvic AIはグラフの大部分をスキャンまたは結合する形状で高速であり、SQL/PGQ(DuckPGQ)によるグラフクエリ構文を実装するシステムは、クエリプランの選択により、計り知れないほど遅い。 バルク入力のスループットはエンジン間で3桁(5.0k-4.3M行/s)変化します。単純なクロスオーバーポイント計算で示されるギャップは、データ更新毎に約105クエリ未満のワークロードの総コストを支配します。

関連論文リスト

• 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 [0.0]
  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。
  論文  参考訳（メタデータ） (2026-09-01T16:55:11Z)
• A Versioned Unified Graph Index for Dynamic Timestamp-Aware Nearest Neighbor Search [4.414455125136369]
  TiGERは、動的ベクトルデータセット上の近接探索を高速に実行するための新しいアプローチである。 提案アルゴリズムは,統合バージョン接続に基づくインデックス構造を利用して,すべてのベクトルに対して統一的なグラフを構築し,維持する。
  論文  参考訳（メタデータ） (2026-08-27T19:51:28Z)
• Query-Aware Spreading Activation for Multi-Hop Retrieval over Knowledge Graphs [0.0]
  ほとんどの既存のシステムでは、問題はシードノードのみを設定する。 このアーキテクチャでは、完全なグラフをPythonメモリにロードし、様々なイテレーションで反復的なソルバを必要とする。 そこで我々は,同じクエリ認識を実現する拡散活性化法を提案する。 ステップごとに1つのセマンティックゲートで検索する。
  論文  参考訳（メタデータ） (2026-06-29T11:10:19Z)
• GraphCogent: Mitigating LLMs' Working Memory Constraints via Multi-Agent Collaboration in Complex Graph Understanding [13.356521655409422]
  大規模言語モデル(LLM)は、小規模なグラフ推論タスクでは有望な性能を示すが、複雑なクエリで現実のグラフを扱うと失敗する。 グラフ推論を特殊な認知プロセス(センス、バッファ、実行)に分解する協調エージェントフレームワークであるGraphCogentを提案する。
  論文  参考訳（メタデータ） (2025-08-17T14:28:38Z)
• JoinGym: An Efficient Query Optimization Environment for Reinforcement Learning [58.71541261221863]
  結合順序選択(JOS)は、クエリの実行コストを最小化するために結合操作を順序付けする問題である。 木質強化学習(RL)のためのクエリ最適化環境JoinGymを提案する。 JoinGymは内部で、事前計算されたデータセットから中間結果の濃度を調べることで、クエリプランのコストをシミュレートする。
  論文  参考訳（メタデータ） (2023-07-21T17:00:06Z)
• Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
  これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。 提案手法は,複数のMOTデータセット上での最先端性能を実現する。 画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
  論文  参考訳（メタデータ） (2023-03-27T17:39:00Z)
• 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)
• Arch-Graph: Acyclic Architecture Relation Predictor for Task-Transferable Neural Architecture Search [96.31315520244605]
  Arch-Graphはタスク固有の最適アーキテクチャを予測するトランスファー可能なNASメソッドである。 Arch-Graphの転送性と,多数のタスクにわたる高いサンプル効率を示す。 わずか50モデルの予算の下で、2つの検索スペースで平均して0.16%と0.29%のアーキテクチャを見つけることができる。
  論文  参考訳（メタデータ） (2022-04-12T16:46:06Z)
• Representative Graph Neural Network [113.67254049938629]
  いくつかの代表的特徴を動的にサンプリングするために、代表グラフ層を提示する。 すべての位置からメッセージを伝搬する代わりに、RepGraphレイヤは1つのノードの応答を数個の代表ノードで計算します。
  論文  参考訳（メタデータ） (2020-08-12T09:46:52Z)
• Scaling Graph Neural Networks with Approximate PageRank [64.92311737049054]
  GNNにおける情報拡散の効率的な近似を利用したPPRGoモデルを提案する。 高速であることに加えて、PPRGoは本質的にスケーラブルであり、業界設定で見られるような大規模なデータセットに対して、自明に並列化することができる。 このグラフのすべてのノードに対するPPRGoのトレーニングとラベルの予測には1台のマシンで2分未満で、同じグラフ上の他のベースラインをはるかに上回ります。
  論文  参考訳（メタデータ） (2020-07-03T09:30:07Z)

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。