arXiv · 30.07.2026 ·Данные и инжиниринг

Новый метод оценки кардинальности в графовых базах данных

Исследователи представили метод Fully Inductive Cardinality Estimation для оптимизации SPARQL-запросов в графах знаний. В отличие от существующих моделей, которые требуют переобучения при изменении структуры графа, новый подход позволяет эффективно оценивать количество результатов без привязки к конкретным данным, что значительно упрощает интеграцию нейросетевых оценщиков в реальные системы управления базами данных.

Традиционные методы оценки кардинальности, основанные на статистике или сэмплировании, часто проигрывают в точности современным ML-решениям. Однако последние до сих пор были трансдуктивными: они жестко привязаны к графу, на котором обучались. При добавлении новых узлов или связей такие модели теряли актуальность, что делало их использование в динамических triplestore-системах практически невозможным.

Предложенный подход решает проблему индуктивности, позволяя модели обобщать знания о структуре графа независимо от его текущего состояния. Это открывает путь к внедрению глубокого обучения в движки оптимизации запросов, где точность оценки кардинальности напрямую влияет на выбор плана выполнения и общую производительность обработки сложных графовых паттернов.

Ключевые факты

Метод ориентирован на оптимизацию Basic Graph Patterns (BGP) в SPARQL-запросах.
Решение устраняет необходимость в дорогостоящем переобучении модели при обновлении графа знаний.
Подход превосходит классические статистические методы и сэмплирование по точности прогнозирования.
Технология адаптирована для работы в реальных triplestore-системах, где структура данных постоянно меняется.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Исследования и наука Новый метод причинно-следственного анализа без допущения о верности данных Исследователи представили алгоритм для построения сетей причинно-следственных связей, который обходит классическое ограничение «верности» (faithfulness). Традиционные методы часто ошибаются, если данные нарушают это допущение, однако новый подход использует исключительно интервенционные данные для ориентации связей. Это позволяет строить более точные модели зависимостей между переменными в сложных системах, где наблюдаемые данные не всегда отражают истинную структуру причинности. arXiv · Машинное обучение Метод SP-CACW для эффективного федеративного обучения Исследователи представили метод SP-CACW (Convergence-Aware Client Weighting), решающий проблему неэффективности стандартного федеративного обучения для клиентов с уникальными данными. Алгоритм позволяет целевому участнику сети использовать градиенты других узлов для минимизации собственного риска, избегая при этом негативного переноса знаний. Это повышает точность моделей в сценариях, где распределение данных сильно отличается от среднестатистического по всей системе. arXiv · Машинное обучение Новый подход к моделированию пользователей через мультиреляционные графовые нейросети Исследователи представили метод моделирования поведения пользователей на основе мультиреляционных графовых сверточных сетей (MR-GCN). В отличие от традиционных графовых моделей, которые рассматривают связи как однородные, новый подход учитывает различные типы взаимодействий, что позволяет точнее предсказывать предпочтения и последовательности действий в персонализированных системах, значительно повышая качество рекомендаций и точность профилирования. arXiv · Исследования и наука Исследование методов оценки графовых фундаментальных моделей Исследователи представили комплексный анализ производительности графовых фундаментальных моделей (GFM), сфокусировавшись на задачах прогнозирования свойств узлов. Работа выявляет критические недостатки в текущих подходах к тестированию, предлагая стандартизированную методологию для объективного сравнения архитектур. Авторы демонстрируют, что многие современные модели показывают нестабильные результаты при смене наборов данных, что требует пересмотра подходов к их обучению и валидации. arXiv · Машинное обучение Новый метод адаптивного обучения для работы с графовыми данными Исследователи представили метод Adaptive Recurrent Message Passing, который решает проблему несовместимости предобученных моделей с графовыми структурами данных. Традиционные архитектуры часто оказываются неэффективными при работе с графами из-за фиксированной структуры нейронных сетей, которая не учитывает динамическую природу связей между узлами. Новый подход позволяет моделям адаптироваться непосредственно в процессе вычислений, используя рекуррентную передачу сообщений. arXiv · Исследования и наука Новый подход к анализу причинно-следственных связей в моделях с латентными переменными Исследователи представили математический анализ спектральной структуры латентных эффектов воздействия, расширяющий возможности каузального вывода в условиях ненаблюдаемых факторов. Работа предлагает более фундаментальный подход к восстановлению эффектов воздействия, чем существующие методы синтетических потенциальных исходов, используя спектральное разложение матриц моментов для более точной идентификации гетерогенных эффектов в сложных наблюдательных данных. arXiv · Машинное обучение Mutable Low-Rank Sketches: решение проблемы устаревания эмбеддингов в рекомендациях Исследователи представили метод Mutable Low-Rank Sketches, позволяющий обновлять пользовательские эмбеддинги в рекомендательных системах в реальном времени без необходимости полного переобучения модели. Использование структуры KP-tree для хранения предпочтений и динамическая проекция низкого ранга решают проблему «устаревания» данных, обеспечивая актуальность рекомендаций сразу после того, как пользователь взаимодействует с новым контентом или оценивает товар. arXiv · Машинное обучение Новый метод оптимизации нейросимвольных систем через дифференцируемый интерпретатор Исследователи представили метод эффективного обучения нейросимвольных моделей, решающий проблему «узкого горлышка» при подборе параметров. Вместо переобучения каждой программы с нуля, авторы предлагают дифференцировать сам процесс интерпретации кода. Это позволяет оптимизировать непрерывные параметры модели напрямую через градиентный спуск, значительно ускоряя поиск оптимальных структур в задачах научного моделирования и автоматического программирования. Hacker News · Машинное обучение Оптимизация процесса оценки моделей через эволюционные алгоритмы Вместо классического дообучения нейросетей исследователи предлагают сосредоточиться на эволюции «обвязки» (harness) — набора промптов, параметров и стратегий оценки. Такой подход позволяет значительно повысить производительность моделей на конкретных задачах без изменения весов самой нейросети, используя автоматизированный поиск оптимальных конфигураций для достижения целевых метрик качества в реальных бизнес-сценариях. arXiv · Исследования и наука Новый подход к реконструкции генных регуляторных сетей с помощью глубоких вероятностных моделей Исследователи представили новый метод реконструкции генных регуляторных сетей (GRN), объединяющий глубокое обучение и вероятностное моделирование. Подход позволяет эффективнее связывать факторы транскрипции с целевыми генами, преодолевая ограничения традиционных эвристических методов выбора моделей и неполноты эталонных данных, что критически важно для анализа сложных биологических систем и понимания механизмов экспрессии генов на основе полногеномных данных.

← Все материалы