PulseAugur
实时 08:02:03
English(EN) Fully Inductive Cardinality Estimation

新的FICE模型为知识图谱提供完全归纳基数估计

研究人员开发了FICE,这是一种新颖的图神经网络,专为知识图谱上的SPARQL查询进行完全归纳基数估计而设计。与需要为新图或修改后的图重新训练的先前方法不同,FICE无需重新训练即可泛化到未见过的图和关系。该模型采用双组件GNN,其中编码器生成嵌入,解码器预测对数基数,并进行联合训练以进行专门估计。FICE在多个知识图谱上展示了比现有方法显著的改进,降低了中位数查询误差并增强了尾部行为。 AI

影响 这项研究可以提高查询大型知识图谱的效率和可扩展性,可能影响依赖结构化知识的AI系统。

排序理由 这是一篇详细介绍查询优化新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的FICE模型为知识图谱提供完全归纳基数估计

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Tim Schwabe, Lukas Ketzer, Maribel Acosta ·

    全归纳基数估计

    arXiv:2607.28311v1 Announce Type: cross Abstract: Query optimization of Basic Graph Patterns (BGP) SPARQL queries over Knowledge Graphs (KG) requires accurate cardinality estimation. Recently published learned estimators outperform statistics- and sampling-based approaches, but s…