[论文解读] 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 0

一句话总结

Ruva 在设备上部署了用于图基推理和精确删除的玻璃盒个人知识图谱，实现在个性化 AI 中的被遗忘权。

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/.

研究动机与目标

• 在个性化 AI 中推动用户控制与隐私，超越不透明的向量化 RAG。
• 提出一个基于图的、在设备上的记忆架构，以实现透明推理。
• 实现对记忆的精确、确定性删除，以实现被遗忘权。
• 演示一个在边缘设备可行的神经符号 GraphRAG 流水线，支持多模态数据。
• 展示图推理如何提升个人 AI 的信任与问责。

提出的方法

• 引入将感知（神经）与记忆（符号化 PKG）分离的 Type 3 神经符号架构。
• 将用户数据表示为个人知识图谱，节点为记忆，边为关系。
• 使用多模态摄取将数据转换为语义三元组，存储在扩展用于 GraphRAG 操作的图增强型 SQLite 数据库中。
• 实现基于锚点的检索后以拓扑 n-hop 扩展来对答案进行 grounding 的图对 grounding 检索工作流。
• 通过 SQL DELETE CASCADE 提供确定性删除机制，以擦除记忆对象及其相关索引。

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.

实验结果

研究问题

• RQ1 在本地图推理相较于向量化 RAG，如何提高个性化 AI 的透明度与信任？
• RQ2 玻璃盒 PKG 是否能实现对记忆的精确、可验证删除，同时保持有用的推理能力？
• RQ3 在 ingestion、推理和删除任务中，移动端神经符号 GraphRAG 系统的性能与准确性特征为何？

主要发现

• Ruva 在设备本地实现交互式延迟，平均摄取时间 2.4s，Pixel 8 Pro 上单跳检索 38ms。
• 在推理任务中，61% 的模型响应被评为积极，包含中性响应时提升至 71%。
• 评估中不同模型间存在强烈一致性：Spearman 的 rho = 0.82，Krippendorff 的 Alpha = 0.81，83% 一致性，Cohen’s kappa = 0.81。
• 评估显示如 GPT-oss-120B 与 kimi-k2-instruct 等模型之间的高对齐，达到最高 92% 一致性（kappa = 0.92）。
• 通过 delete cascade 的确定性删除演示可移除记忆节点及其向量索引，从而实现可验证的“被遗忘权”。