Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Aprendizaje de bases de datos de grafos neuronales federados para responder consultas complejas desde grafos de conocimiento distribuido

Created by
  • Haebom

Autor

Qi Hu, Weifeng Jiang, Haoran Li, Zihao Wang, Jiaxin Bai, Qianren Mao, Yangqiu Song, Lixin Fan, Jianxin Li

Describir

Este artículo enfatiza la importancia de mecanismos eficientes de recuperación de datos en respuesta a la creciente demanda de modelos fundamentales basados ​​en aprendizaje profundo, y las bases de datos de grafos neuronales (NGDB) se proponen como una solución. Las NGDB utilizan el espacio neuronal para almacenar y consultar datos estructurados en grafos, lo que permite a los LLM acceder a información precisa y contextualmente relevante. Sin embargo, las NGDB existentes se limitan a operaciones de un solo grafo, tienen una capacidad limitada para inferir a través de múltiples grafos distribuidos y no admiten datos de grafos de múltiples fuentes, lo que dificulta capturar la complejidad y diversidad de los datos del mundo real. Para datos de grafos sensibles, el intercambio directo y la agregación plantean riesgos significativos para la privacidad. Por lo tanto, en este artículo, proponemos FedNGDB (Federated Neural Graph DataBase), un marco de sistema innovador que permite la inferencia preservando la privacidad en datos de grafos de múltiples fuentes. FedNGDB aprende conjuntamente representaciones de grafos de múltiples fuentes utilizando aprendizaje federado para enriquecer las relaciones entre entidades y mejorar la calidad general de los datos de grafos.

Takeaways, Limitations

Takeaways:
Presentamos un marco FedNGDB que permite la inferencia preservando la privacidad en datos de gráficos de múltiples fuentes.
Aprendizaje eficiente de representaciones gráficas de múltiples fuentes a través del aprendizaje federado.
Enriquecer las relaciones entre entidades y mejorar la calidad de los datos gráficos.
Resuelve los problemas de las operaciones de gráficos únicos y la falta de soporte de datos de múltiples fuentes en las NGDB existentes.
Limitations:
Falta de evaluación experimental del desempeño y la eficiencia de FedNGDB.
Falta de validación de la aplicabilidad a varios tipos de datos gráficos y aplicaciones del mundo real.
Debido a la naturaleza del aprendizaje federado, existe la posibilidad de que haya desequilibrios de datos o problemas de sobrecarga de comunicación.
👍