論文の概要: Towards Training and Inference of Graph Neural Networks in Graph Databases

• arxiv url: http://arxiv.org/abs/2610.19142v1
• Date: Tue, 13 Oct 2026 20:09:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.783242
• Title: Towards Training and Inference of Graph Neural Networks in Graph Databases
• Title（参考訳）: グラフデータベースにおけるグラフニューラルネットワークの学習と推論に向けて
• Abstract要約: グラフデータベースはGNNのトレーニングや推論で直接利用でき、サンプリング、特徴検索、さらには全フォワードパスも実行可能であることを示す。 同じ精度を維持しながら、トレーニングプロセスを2.5倍高速化する最適化を提供します。 私たちのセットアップは、実際のグラフに余分なメモリオーバーヘッドを伴わずに、RAMにグラフをコールドロードするよりも10倍高速です。
• 参考スコア（独自算出の注目度）: 1.3430124615768682
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks on large graphs commonly rely on in-memory graph storage with ad hoc data processing pipelines for both training and inference. Graph databases provide scalable storage and efficient traversal for graphs that can evolve over time, but their applicability in GNN training and inference are rarely studied. We show that graph DBs can be used in GNN training and inference directly, executing sampling, feature retrieval, and even the full forward pass. We show different GNN training pipelines can perform on-the-fly sampling and retrieval in graph DBs using Cypher. We further provide optimisations that speed up the training process by \~2.5x while maintaining the same accuracy. We illustrate that fully in-DB inference is possible, independent of how the GNNs are trained. Our inference setup can be >10x faster than cold loading the graph into RAM with no extra memory overhead on real-world graphs. Our work lays the foundation for in-graph-DB GNN training and inference.
• Abstract（参考訳）: 大きなグラフ上のグラフニューラルネットワークは、トレーニングと推論の両方にアドホックなデータ処理パイプラインを備えたインメモリグラフストレージに依存している。 グラフデータベースは、時間とともに進化するグラフのためのスケーラブルなストレージと効率的なトラバースを提供するが、GNNトレーニングや推論におけるそれらの適用性はほとんど研究されていない。 グラフDBはGNNのトレーニングや推論で直接利用でき、サンプリング、特徴検索、さらにはフルフォワードパスさえ実行できます。 我々は,Cypher を用いたグラフ DB において,異なる GNN トレーニングパイプラインをオンザフライでサンプリングし,検索することができることを示す。 さらに、同じ精度を維持しながら、トレーニングプロセスを約2.5倍スピードアップする最適化も提供します。 GNNのトレーニング方法とは無関係に、完全にDB内での推論が可能であることを説明します。 私たちの推論設定は、現実のグラフに余分なメモリオーバーヘッドを伴わずに、RAMにグラフをロードするよりも10倍高速です。 我々の研究は、グラフ内DB GNNトレーニングと推論の基礎を定めています。

関連論文リスト

• GraphTOP: Graph Topology-Oriented Prompting for Graph Neural Networks [66.07512871031163]
  ラベルなしグラフデータよりも強力なグラフニューラルネットワーク(GNN)を事前学習する。 適応段階では、グラフプロンプトは学習可能なプロンプトで入力グラフデータを修正し、事前学習されたGNNモデルを凍結し続ける。 本稿では,事前学習したGNNモデルを下流タスクに効果的に適用するために,最初の**Graph****opology-**O**riented **P**rompting(GraphTOP)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-25T22:50:12Z)
• Graph Neural Networks on Graph Databases [0.0]
  本稿では,最小限のデータをメモリに格納し,クエリエンジンを用いてサンプリングすることにより,グラフDB上でGNNを直接トレーニングする方法を示す。 我々のアプローチでは、GNNのスケーリングの新しい方法と、グラフDBの新しいアプリケーション領域が開きます。
  論文  参考訳（メタデータ） (2024-11-18T08:39:24Z)
• Communication-Free Distributed GNN Training with Vertex Cut [63.22674903170953]
  CoFree-GNNは、コミュニケーションのないトレーニングを実装することで、トレーニングプロセスを大幅に高速化する、分散GNNトレーニングフレームワークである。 我々は、CoFree-GNNが既存の最先端のGNNトレーニングアプローチよりも最大10倍高速なGNNトレーニングプロセスを実証した。
  論文  参考訳（メタデータ） (2023-08-06T21:04:58Z)
• Fast and Effective GNN Training through Sequences of Random Path Graphs [20.213843086649014]
  本稿では,ノード分類タスクにおいて,GNNをトレーニングするためのスケーラブルなフレームワークであるGERNを紹介する。 提案手法は,経路グラフに好適に変換された無作為な散在木列のGNN重みを漸進的に洗練する。 これらの経路グラフのスパース性は、GNN訓練の計算負担を大幅に軽減する。
  論文  参考訳（メタデータ） (2023-06-07T23:12:42Z)
• Training Graph Neural Networks on Growing Stochastic Graphs [114.75710379125412]
  グラフニューラルネットワーク(GNN)は、ネットワーク化されたデータの意味のあるパターンを活用するために、グラフ畳み込みに依存している。 我々は,成長するグラフ列の極限オブジェクトであるグラフオンを利用して,非常に大きなグラフ上のGNNを学習することを提案する。
  論文  参考訳（メタデータ） (2022-10-27T16:00:45Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• Graph Neural Network Training with Data Tiering [16.02267628659034]
  グラフニューラルネットワーク(GNN)は、不正検出やレコメンデーション、知識グラフ推論など、グラフ構造化データから学ぶことに成功している。 しかし,1)GPUメモリ容量が限られ,大規模なデータセットでは不十分であり,2)グラフベースのデータ構造が不規則なデータアクセスパターンを引き起こすため,GNNを効率的にトレーニングすることは困難である。 本研究では,GNNトレーニングに先立って,より頻繁にアクセスされるデータを統計的に分析し,識別する手法を提案する。
  論文  参考訳（メタデータ） (2021-11-10T19:35:10Z)
• Scalable Graph Neural Networks via Bidirectional Propagation [89.70835710988395]
  グラフニューラルネットワーク(GNN)は、非ユークリッドデータを学習するための新興分野である。 本稿では、特徴ベクトルとトレーニング/テストノードの両方から局所的な双方向伝搬プロセスを利用するスケーラブルなGNNであるGBPを提案する。 実証実験により、GBPは、トレーニング/テスト時間を大幅に減らして最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2020-10-29T08:55:33Z)
• 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。