神经图数据库
机器学习
2023-08-01 v2 数据库
摘要
图数据库（GDBs）支持对非结构化、复杂、丰富且通常庞大的图数据集进行处理与分析。尽管 GDBs 在学术界和工业界都极具重要性，但将其与图神经网络（GNNs）的预测能力相结合的尝试甚少。在本工作中，我们展示如何将几乎任意 GNN 模型与 GDBs 的计算能力无缝结合。为此，我们观察到这类系统大多基于或支持一种称为标记属性图（LPG）的图数据模型，其中顶点和边可具有任意复杂的标签与属性集合。随后我们开发了 LPG2vec，一种将任意 LPG 数据集转换为可直接用于广泛类别 GNN（包括卷积、注意力、消息传递乃至高阶或谱模型）表示的编码器。在我们的评估中，我们表明 LPG2vec 能恰当保留以 LPG 标签和属性表示的丰富信息，并且无论目标学习任务或所用 GNN 模型如何，其都将预测准确率提升了至多 34%（相较于无 LPG 标签/属性的图）。总体而言，LPG2vec 使得最强大 GNN 的预测能力能与 LPG 模型中编码的全部信息范围相结合，为神经图数据库——一类所维护数据的巨大复杂性将受益于现代及未来图机器学习方法的系统——铺平了道路。
引用
@article{arxiv.2209.09732,
title = {Neural Graph Databases},
author = {Maciej Besta and Patrick Iff and Florian Scheidl and Kazuki Osawa and Nikoli Dryden and Michal Podstawski and Tiancheng Chen and Torsten Hoefler},
journal= {arXiv preprint arXiv:2209.09732},
year = {2023}
}