NGDB-Zoo：高效可扩展的神经图数据库训练
机器学习
2026-02-26 v1
摘要
神经图数据库（NGDBs）通过复杂的逻辑推理处理不完整的知识结构，但其训练效率和表达性受限于刚性的查询级批处理和结构排他性嵌入。我们提出 NGDB-Zoo，一个统一框架，通过算子级训练与语义增强的协同作用来解决这些瓶颈。通过将逻辑算子从查询拓扑中解耦，NGDB-Zoo 将训练循环转化为动态调度的数据流执行，实现多流并行，较基线实现 - 的吞吐量提升。此外，我们形式化一种解耦架构，将来自预训练文本编码器（PTEs）的高维语义先验集成进来，而不会触发 I/O 阻塞或内存溢出。在六个基准测试中进行了广泛评估，包括像 ogbl-wikikg2 和 ATLAS-Wiki 这类大型图，结果表明 NGDB-Zoo 在 diverse 逻辑模式下保持高 GPU 利用率，并显著缓解了混合神经符号推理中的表示摩擦。
引用
@article{arxiv.2602.21597,
title = {NGDB-Zoo: Towards Efficient and Scalable Neural Graph Databases Training},
author = {Zhongwei Xie and Jiaxin Bai and Shujie Liu and Haoyu Huang and Yufei Li and Yisen Gao and Hong Ting Tsang and Yangqiu Song},
journal= {arXiv preprint arXiv:2602.21597},
year = {2026}
}