[論文レビュー] LMKG: Learned Models for Cardinality Estimation in Knowledge Graphs

Angjela Davitkova, Damjan Gjurovski+1 more|arXiv (Cornell University)|Feb 21, 2021

Advanced Graph Neural Networks参考文献 44被引用数 4

ひとこと要約

LMKGは、独自のSGエンコーディングを用いてSPARQLクエリを部分グラフパターンに変換する新しい手法を用い、教師あり（LMKG-S）および教師なし（LMKG-U）の両方の深層学習モデルを用いて知識グラフにおけるカーディナリティ推定を実現するフレームワークを提案する。部分グラフパターン間の相関関係を学習することで、従来手法に比べて推定精度と推論速度の両面で優れた性能を達成し、メモリ使用量も低く抑えられる。

ABSTRACT

Accurate cardinality estimates are a key ingredient to achieve optimal query plans. For RDF engines, specifically under common knowledge graph processing workloads, the lack of schema, correlated predicates, and various types of queries involving multiple joins, render cardinality estimation a particularly challenging task. In this paper, we develop a framework, termed LMKG, that adopts deep learning approaches for effectively estimating the cardinality of queries over RDF graphs. We employ both supervised (i.e., deep neural networks) and unsupervised (i.e., autoregressive models) approaches that adapt to the subgraph patterns and produce more accurate cardinality estimates. To feed the underlying data to the models, we put forward a novel encoding that represents the queries as subgraph patterns. Through extensive experiments on both real-world and synthetic datasets, we evaluate our models and show that they overall outperform the state-of-the-art approaches in terms of accuracy and execution time.

研究の動機と目的

• RDFベースの知識グラフにおける不正確なカーディナリティ推定の課題に取り組むこと。その理由は、スキーマフリーなデータ、相関する述語、複雑なマルチジョインSPARQLクエリに起因する。
• 知識グラフにおけるカーディナリティ推定をサポートする教師ありおよび教師なしの深層学習モデルを統合したフレームワークの開発。
• 複雑なクエリパターンを効果的に表現しながら構造的相関を保持する、効果的な部分グラフエンコーディング（SGエンコーディング）の設計。
• 実世界および合成データセット上でフレームワークを評価し、最先端の手法と比較して優れた推定精度と効率性を示すこと。

提案手法

• LMKGは、SPARQLクエリから導出される部分グラフパターンをモデル化することで、カーディナリティ推定を深層学習問題として定式化する。
• SGエンコーディングは、複数の部分グラフパターン（例：スターパターンやチェーンパターン）を効率的に表現する新規でコン act な表現法であり、入力次元を低減する。
• 教師あり学習では、ラベル付きの部分グラフパターンで訓練された深層ニューラルネットワークを用いてカーディナリティを予測する。
• 教師なし学習では、サンプリングされた部分グラフパターンで訓練された自己回帰モデルを用い、真値ラベルが不要な状態で選択度を推定する。
• 両モデルのための多様で代表的な訓練データを生成するために、個々のトリプルではなく関連する部分グラフ構造に焦点を当てた効率的なサンプリング戦略を採用する。
• モデルは述語と語彙の間の相関関係を学習し、従来の手法が採用する独立性仮定に起因する性能劣化を回避する。

実験結果

リサーチクエスチョン

• RQ1 スキーマが存在せず、述語の相関が強い状況下でも、深層学習モデルは知識グラフにおけるカーディナリティ推定を効果的に行えるか？
• RQ2 個々のトリプルではなく部分グラフパターンをモデル化することで、推定精度と効率性はどのように向上するか？
• RQ3 提案されたSGエンコーディングは、深層学習モデルが複雑なクエリパターンを表現する際、標準的なエンコーディングをどの程度上回るか？
• RQ4 LMKGの教師ありおよび教師なしバージョンは、多様なワークロードにおいて推定精度、メモリ使用量、推論速度の観点でどのように比較されるか？
• RQ5 学習ベースのカーディナリティ推定におけるスケーラビリティとロバストネスの主な課題は何か。それらはどのように軽減できるか？

主な発見

• LMKG-SおよびLMKG-Uは、実世界および合成データセットの両方で最先端の手法を上回る推定精度を達成しており、特にLMKG-Sが最高の精度を記録した。
• LMKG-SはCSETを除くすべての競合手法より推定時間が速く、43MB（SWDFのk=3時）という低メモリ使用量を維持している。
• LMKG-Uはクエリサイズや種別にわたり一貫性のある性能を示したが、語彙多様性の高い大規模データセットではメモリ消費量が高くなる傾向にあった。
• SGエンコーディングは、コンパクトで情報量豊富な入力表現を可能にし、モデルの一般化性能を向上させるとともに、訓練データの必要量を削減した。
• 外れ値クエリはLMKG-Sにとって依然として課題であるが、バッファリストの導入によりこうしたケースに対応可能であり、今後のロバストネス向上の道筋が示された。
• LMKG-Uのメモリ消費量はデータセットサイズと語彙数の増加に伴い増加する傾向にあり、今後の研究では最適化されたサンプリング戦略や次元削減技術の導入が求められる。