面向Agentic Neural Graph Databases 的十大挑战
人工智能
2025-01-27 v1 数据库
机器学习
摘要
图数据库（如 Neo4j 和 TigerGraph）在处理 interconnected 数据方面表现出色，但缺乏先进的推理能力。Neural Graph Databases (NGDBs) 通过集成 Graph Neural Networks (GNNs) 来实现对不完整或噪声数据进行预测分析和推理，从而解决这一问题。然而，NGDBs 依赖于预定义查询，缺乏自主性和适应性。本文引入了 Agentic Neural Graph Databases (Agentic NGDBs)，其扩展了 NGDBs，具备三个核心功能：autonomous query construction、neural query execution 和 continuous learning。我们识别了实现 Agentic NGDBs 的十大关键挑战：语义单元表示、归纳推理、可扩展查询执行以及与大型语言模型 (LLM) 等 foundation models 的集成。通过解决这些挑战，Agentic NGDBs 可以为现代数据驱动应用开启智能、自我改进的系统之路，为灵活且自主的数据管理解决方案铺平道路。
引用
@article{arxiv.2501.14224,
title = {Top Ten Challenges Towards Agentic Neural Graph Databases},
author = {Jiaxin Bai and Zihao Wang and Yukun Zhou and Hang Yin and Weizhi Fei and Qi Hu and Zheye Deng and Jiayang Cheng and Tianshi Zheng and Hong Ting Tsang and Yisen Gao and Zhongwei Xie and Yufei Li and Lixin Fan and Binhang Yuan and Wei Wang and Lei Chen and Xiaofang Zhou and Yangqiu Song},
journal= {arXiv preprint arXiv:2501.14224},
year = {2025}
}
备注
12 Pages