[論文レビュー] RUVA: Personalized Transparent On-Device Graph Reasoning

Gabriele Conte, Alessio Mattiace+7 more|arXiv (Cornell University)|Feb 17, 2026

Advanced Graph Neural Networks被引用数 0

ひとこと要約

Ruvaは、オンデバイスのGlass Box個人知識グラフを用いたグラフベースの推論と正確な削除を実現し、パーソナルAIにおける忘れる権利を可能にする。

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/.

研究の動機と目的

• opaqueベクトルベースのRAGを超えたパーソナライズドAIにおけるユーザー制御とプライバシーを動機づける。
• 透明な推論を可能にするグラフベースのオンデバイスメモリアーキテクチャを提案する。
• memoriesの正確で決定論的な削除を実現しForgotten Rightsを実現する。
• エッジデバイス上で実現可能なニューロシンボリックGraphRAGパイプラインをマルチモーダルデータでデモンストレーションする。
• グラフ推論がパーソナルAIにおける信頼性と説明責任をどのように向上させるかを示す。

提案手法

• perception（ニューラル）と memory（象徴的PKG）を分離するType 3ニューロシンボリックアーキテクチャを導入する。
• ユーザデータをノード（ memories ）とエッジ（ 関係 ）を持つPersonal Knowledge Graphとして表現する。
• セマンティックトリプルにデータを変換し、GraphRAG操作を拡張したSQLiteデータベースに保存するためのマルチモーダル取り込みを使用する。
• アンカーベース検索とトップロジカルnホップ展開によるGrounding回答のためのGraph-Grounded Retrievalワークフローを実装する。
• memoryオブジェクトと関連インデックスを消去するSQL DELETE CASCADEによる決定論的削除機構を提供する。

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.

実験結果

リサーチクエスチョン

• RQ1 デバイス上のグラフ推論は、ベクトルベースRAGと比べてパーソナライズドAIの透明性と信頼をどう改善できるか？
• RQ2 Glass Box PKGは、有用な推論能力を維持しつつ memoriesの正確で検証可能な削除を可能にするか？
• RQ3 ingestion、推論、削除タスクを通じてモバイルなニューロ-シンボリックGraphRAGシステムのパフォーマンスと精度特性はどの程度か？

主な発見

• RuvaはPixel 8 Proで平均取り込み時間2.4秒、単一ホップ検索38msの端末内レイテンシを達成している。
• 推論タスクでモデル回答のPositive評価率が61%、Neutralを含めると71%。
• 評価におけるクロスモデルの強い合意：Spearmanのrho=0.82、KrippendorffのAlpha=0.81、83%の合意、Cohen’s kappa=0.81。
• 評価はGPT-oss-120Bやkimi-k2-instructなどのモデル間で最大92%の合意（kappa=0.92）を示し、高い整合性を示す。
• 決定論的削除はdelete cascadeを介してメモリノードとそのベクトルインデックスを削除し、検証可能な“Right to be Forgotten”を実現する。