[논문 리뷰] RUVA: Personalized Transparent On-Device Graph Reasoning

Gabriele Conte, Alessio Mattiace외 7명|arXiv (Cornell University)|2026. 02. 17.

Advanced Graph Neural Networks인용 수 0

한 줄 요약

RuvaDeploys는 기기 내 Glass Box Personal Knowledge Graph를 이용한 그래프 기반 추론과 정밀 삭제를 가능하게 하여 개인화된 AI에서 Right to be Forgotten를 실현합니다.

ABSTRACT

The Personal AI landscape is currently dominated by "Black Box" Retrieval-Augmented Generation. While standard vector databases offer statistical matching, they suffer from a fundamental lack of accountability: when an AI hallucinates or retrieves sensitive data, the user cannot inspect the cause nor correct the error. Worse, "deleting" a concept from a vector space is mathematically imprecise, leaving behind probabilistic "ghosts" that violate true privacy. We propose Ruva, the first "Glass Box" architecture designed for Human-in-the-Loop Memory Curation. Ruva grounds Personal AI in a Personal Knowledge Graph, enabling users to inspect what the AI knows and to perform precise redaction of specific facts. By shifting the paradigm from Vector Matching to Graph Reasoning, Ruva ensures the "Right to be Forgotten." Users are the editors of their own lives; Ruva hands them the pen. The project and the demo video are available at http://sisinf00.poliba.it/ruva/.

연구 동기 및 목표

• 불투명한 벡터 기반 RAG를 넘어 개인화 AI에서 사용자 제어와 프라이버시를 촉진한다.
• 투명한 추론을 가능하게 하는 그래프 기반의 기기 내 메모리 아키텍처를 제안한다.
• 잊힐 권리를 실현하기 위한 기억의 정밀하고 결정론적 삭제를 가능하게 한다.
• 다중모드 데이터에 대해 에지 디바이스에서 실행 가능한 신경-상징(GraphRAG) 파이프라인을 시연한다.
• 그래프 추론이 개인 AI의 신뢰성과 책임감을 어떻게 향상시키는지 보여준다.

제안 방법

• 지각(신경)과 기억(Symbolic PKG)을 분리하는 Type 3 신경-상징 아키텍처를 도입한다.
• 사용자 데이터를 노드(메모리)와 간선(관계)을 갖는 Personal Knowledge Graph로 표현한다.
• GraphRAG 작업을 확장하도록 그래프 강화 SQLite 데이터베이스에 저장된 의미 삼중항으로 데이터를 변환하기 위해 다중 모달 입력을 사용한다.
• 앵커 기반 검색으로 시작하고 해답의 근거를 확보하기 위해 위상적 n-홉 확장을 따라가는 Graph-Grounded Retrieval 워크플로우를 구현한다.
• 메모리 객체와 관련 인덱스를 지우기 위해 SQL DELETE CASCADE를 통한 결정적 삭제 메커니즘을 제공한다.

Figure 1 : The Ruva architecture. The Ingestion Workflow transforms multimodal data into semantic triples to populate the Personal Knowledge Graph. The Retrieval Workflow performs graph traversal to generate grounded, hallucination-free answers, entirely on-device.

실험 결과

연구 질문

• RQ1 온-디바이스 그래프 추론이 벡터 기반 RAG에 비해 개인화 AI의 투명성과 신뢰를 어떻게 향상시킬 수 있는가?
• RQ2 Glass Box PKG가 유용한 추론 능력을 유지하면서 기억의 정밀하고 검증 가능한 삭제를 가능하게 할 수 있는가?
• RQ3 모바일 신경-상징 GraphRAG 시스템의 수집, 추론, 및 삭제 작업 전반에 걸친 성능 및 정확도 특성은 무엇인가?

주요 결과

• Ruva는 Pixel 8 Pro에서 평균 2.4s의 수집 시간과 38ms의 단일 홉 검색으로 기기 내 인터랙티브 레이턴시를 달성한다.
• 추론 작업에 대해 모델 응답의 61%가 Positive로 평가되며 Neutral 응답을 포함하면 71%로 상승한다.
• 평가에서 모델 간 강한 일치: Spearman's rho = 0.82, Krippendorff's Alpha = 0.81, 83% 일치, 그리고 Cohen’s kappa = 0.81.
• 평가 결과는 GPT-oss-120B 및 kimi-k2-instruct와 같은 모델 간의 높은 정렬을 보여주며 최대 92%의 일치(kappa = 0.92).
• DELETE CASCADE를 통한 결정적 삭제로 메모리 노드와 해당 벡터 인덱스가 제거되어 검증 가능한 “Right to be Forgotten.”