論文の概要: Scaling Graph Query Processing: Focused Exploration on Partitions Using Load Balancing
- arxiv url: http://arxiv.org/abs/2610.32015v1
- Date: Fri, 23 Oct 2026 00:29:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.314473
- Title: Scaling Graph Query Processing: Focused Exploration on Partitions Using Load Balancing
- Title（参考訳）: グラフクエリ処理のスケールアップ - ロードバランシングによるパーティションの探索
- Abstract要約: 本論文の焦点は,クエリ処理であり,検索ではない(近似的あるいは正確な)。
本稿では,グラフの分割と分散パラダイムを用いて効率とスケーラビリティを実現することを提案する。
本稿では,分割アルゴリズム,分散処理アーキテクチャ,および計算クエリ応答のためのロードバランシングについて述べる。
- 参考スコア（独自算出の注目度）: 0.24469484645516834
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The focus of this paper is on query processing and not search (approximate or exact). The goal is to find all or k answers and the expressiveness of a query (as opposed to a search expression which is typically simpler) is considered important. Although SQL query processing has matured over the last several decades, query processing over graph data has not received the same attention. Only recently, systems, such as Neo4J, and others have started using graphs for data representation on a large scale. Their approaches and algorithms remain proprietary. In this paper, we address the problem of answering graph queries and their efficient processing on arbitrary-sized graphs. We propose the partitioning of graphs and the use of the distributed paradigm to achieve efficiency and scalability. Our approach takes a subgraph as query input including wild cards and comparison operations. Our partitioned approach leverages focused exploration and distributed processing to achieve the desired parallelism and improve the response time. We also present heuristics to reduce the number of partitions loaded for query processing. We present our partitioning algorithm, distributed processing architecture used, and load balancing for computing query answers. We establish the correctness of the approach in the presence of partitions, compare heuristics for load balancing, and extensive experimental results over large synthetic and real-world graph data sets.
- Abstract（参考訳）: 本論文の焦点は,クエリ処理であり,検索ではない(近似あるいは正確な)。
ゴールは、すべてのまたはkの答えを見つけることであり、クエリの表現性(典型的には単純である検索式とは対照的に)が重要であると考えられる。
SQLクエリ処理はここ数十年で成熟しているが、グラフデータに対するクエリ処理はそれほど注目されていない。
つい最近まで、Neo4Jなどのシステムでは、大規模なデータ表現にグラフの使用が始まっている。
彼らのアプローチとアルゴリズムは依然としてプロプライエタリである。
本稿では,グラフクエリの応答問題と,任意のサイズのグラフ上での効率的な処理について述べる。
本稿では,グラフの分割と分散パラダイムを用いて効率とスケーラビリティを実現することを提案する。
提案手法では,ワイルドカードや比較操作を含む問合せ入力としてサブグラフを用いる。
分割されたアプローチでは、集中した探索と分散処理を活用して、望ましい並列性を実現し、応答時間を改善する。
また、クエリ処理のためにロードされるパーティションの数を減らそうとするヒューリスティックスも提示する。
本稿では,分割アルゴリズム,分散処理アーキテクチャ,および計算クエリ応答のためのロードバランシングについて述べる。
分割の存在下でのアプローチの正しさを確立し、負荷分散のためのヒューリスティックスと、大規模な合成および実世界のグラフデータセットに対する広範な実験結果を比較する。
関連論文リスト
- Graph Memory for LLM Agents: At What Cost? A Comparative Evaluation of Query, Ingest, and Update Performance Across Graph Database Engines [1.752768425135374]
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。
論文 参考訳（メタデータ） (2026-09-20T03:04:30Z) - Cluster with Auctions for Vector Search [18.098804415480696]
大規模に近い近接探索は、インデックス化の分割によく依存する。
クエリプローブ関数とデータベースパーティションは、分離されたエンティティとして扱われることは滅多にありません。
本稿では、バランスの取れたデータベース分割とニューラルファンクションを共同で学習することで、この制限に対処するCwAを紹介する。
論文 参考訳（メタデータ） (2026-07-15T11:42:07Z) - Less is More: One-shot Subgraph Reasoning on Large-scale Knowledge Graphs [49.547988001231424]
効率的かつ適応的な予測を実現するために,ワンショットサブグラフリンク予測を提案する。
設計原理は、KG全体に直接作用する代わりに、予測手順を2つのステップに分離する。
5つの大規模ベンチマークにおいて,効率の向上と性能の向上を実現している。
論文 参考訳（メタデータ） (2024-03-15T12:00:12Z) - 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) - 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) - WawPart: Workload-Aware Partitioning of Knowledge Graphs [0.0]
知識グラフという形での大規模なデータセットは、多くのドメインでよく使用される。
知識グラフは複数のサブグラフに分割でき、多くの計算ノード間でシャードとして分散される。
これは、パーティションを横断するグラフエッジによって管理される分散結合が原因である。
本稿では,一組のクエリを考慮した知識グラフ分割手法を提案する。
論文 参考訳（メタデータ） (2022-03-28T16:45:39Z) - AWAPart: Adaptive Workload-Aware Partitioning of Knowledge Graphs [0.0]
大規模知識グラフは、多くの領域でますます一般的になっている。
これらの断片化されたサブグラフのクエリは、通信コストの増加など、新たな課題を引き起こす。
本稿では,大規模知識グラフの適応分割手法を提案する。
論文 参考訳（メタデータ） (2022-03-28T16:41:27Z) - Reinforcement Learning Based Query Vertex Ordering Model for Subgraph
Matching [58.39970828272366]
グラフマッチングアルゴリズムは、クエリグラフの埋め込みをデータグラフGに列挙する。
マッチング順序は、これらのバックトラックに基づくサブグラフマッチングアルゴリズムの時間効率において重要な役割を果たす。
本稿では,Reinforcement Learning (RL) と Graph Neural Networks (GNN) 技術を適用して,グラフマッチングアルゴリズムの高品質なマッチング順序を生成する。
論文 参考訳（メタデータ） (2022-01-25T00:10:03Z) - Neural Subgraph Matching [57.05893848555512]
NeuroMatchは、サブグラフマッチングに対する正確で効率的で堅牢な神経アプローチである。
NeuroMatchは、既存の幾何学的アプローチよりも100倍高速で、既存のサブグラフマッチング手法よりも18%精度が高い。
論文 参考訳（メタデータ） (2020-07-06T22:06:38Z) - Optimization of Retrieval Algorithms on Large Scale Knowledge Graphs [0.0]
本稿では,2つの最適化手法を提案し,グラフデータベースを直接クエリする単純な手法と比較する。
私たちの研究の目的は、Neo4jのようなグラフデータベースの制限要因を決定することです。
テキストマイニングデータに富んだ知識グラフに基づくバイオメディカルパブリッシングデータを含むテストシステムに対する最適化手法の評価を行った。
論文 参考訳（メタデータ） (2020-02-10T12:37:03Z)
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。