学习联邦神经图数据库以回答来自分布式知识图谱的复杂查询
机器学习
2025-07-09 v4 人工智能
密码学与安全
数据库
摘要
对基于深度学习的基础模型日益增长的需求凸显了高效数据检索机制的重要性。神经图数据库(NGDB)提供了一个引人注目的解决方案，利用神经空间存储和查询图结构数据，从而使LLM能够访问精确且与上下文相关的信息。然而，当前的NGDB局限于单图操作，限制了它们跨多个分布式图进行推理的能力。此外，现有NGDB缺乏对多源图数据的支持，阻碍了其捕捉现实世界数据的复杂性和多样性的能力。在许多应用中，数据分布在多个来源中，跨这些来源进行推理的能力对于做出明智决策至关重要。在处理敏感图数据时，这一局限性尤为突出，因为直接共享和聚合此类数据会带来重大的隐私风险。因此，许多依赖NGDB的应用被迫在损害数据隐私或牺牲跨多图推理能力之间做出选择。为了解决这些局限性，我们提出学习联邦神经图数据库(FedNGDB)，这是一个开创性的系统框架，支持对多源图数据进行隐私保护的推理。FedNGDB利用联邦学习在多个来源间协同学习图表示，丰富实体间的关系，并提高图数据的整体质量。
引用
@article{arxiv.2402.14609,
title = {Learning Federated Neural Graph Databases for Answering Complex Queries from Distributed Knowledge Graphs},
author = {Qi Hu and Weifeng Jiang and Haoran Li and Zihao Wang and Jiaxin Bai and Qianren Mao and Yangqiu Song and Lixin Fan and Jianxin Li},
journal= {arXiv preprint arXiv:2402.14609},
year = {2025}
}
备注
Accepted by TMLR. Reviewed on OpenReview: https://openreview.net/forum?id=3K1LRetR6Y