会员服务
图 · CC · MoDELS · 操作 · 数据库 ·
2021 年 6 月 21 日
A Logical Model for joining Property Graphs
翻译：加入属性图表的逻辑模型
Giacomo Bergami
Giacomo Bergami

The present paper upgrades the logical model required to exploit materialized views over property graphs as intended in the seminal paper "A Join Operator for Property Graphs". Furthermore, we provide some computational complexity proofs strengthening the contribution of a forthcoming graph equi-join algorithm proposed in a recently accepted paper.


翻译：本文件更新了“财产图联合操作员”这一开创性文件所设想的利用对财产图的实际观点所需的逻辑模型,此外,我们提供了一些计算复杂性证明,加强了最近接受的一份文件中提出的即将推出的“equi-join”图形算法的贡献。
0
下载
关闭预览

相关内容

【干货书】Python程序员编程，810页pdf，Python® for Programmers
【干货书】Python程序员编程，810页pdf，Python® for Programmers
专知会员服务
60+阅读 · 2020年8月6日
图机器学习-图拉普拉斯算子的离散正则性，141页ppt，Discrete regularity graph Laplacians
专知会员服务
28+阅读 · 2020年6月4日
知识图谱嵌入模型的概率标定,Probability Calibration for Knowledge Graph Embedding Models
专知会员服务
34+阅读 · 2020年5月11日
Query2box: 使用盒嵌入对向量空间中的知识图谱进行推理，Query2box: Reasoning over Knowledge Graphs in Vector Space Using Box Embeddings
专知会员服务
45+阅读 · 2020年5月11日
因果图，Causal Graphs，52页ppt
因果图，Causal Graphs，52页ppt
专知会员服务
246+阅读 · 2020年4月19日
【ICLR2020】利用图神经网络进行高效概率逻辑推理，Efficient Probabilistic Logic Reasoning with Graph Neural Networks
【ICLR2020】利用图神经网络进行高效概率逻辑推理，Efficient Probabilistic Logic Reasoning with Graph Neural Networks
专知会员服务
111+阅读 · 2020年1月29日
【论文】用于推理的概率逻辑神经网络（Probabilistic Logic Neural Networks for Reasoning）
【论文】用于推理的概率逻辑神经网络（Probabilistic Logic Neural Networks for Reasoning）
专知会员服务
103+阅读 · 2019年12月30日
【图机器学习论文】图神经网络的逻辑表达性（Logical Expressiveness of Graph Neural Networks）
【图机器学习论文】图神经网络的逻辑表达性（Logical Expressiveness of Graph Neural Networks）
专知会员服务
40+阅读 · 2019年12月30日
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
专知会员服务
34+阅读 · 2019年10月17日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Hierarchical Imitation - Reinforcement Learning
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断（Variational inference)的总结
【论文】变分推断（Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
可解释的CNN
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
【学习】Hierarchical Softmax
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
A Probabilistic Forecast-Driven Strategy for a Risk-Aware Participation in the Capacity Firming Market: extended version
Arxiv
0+阅读 · 2021年8月29日
Automata Linear Dynamic Logic on Finite Traces
Arxiv
0+阅读 · 2021年8月26日
Model-based Chance-Constrained Reinforcement Learning via Separated Proportional-Integral Lagrangian
Arxiv
0+阅读 · 2021年8月26日
Fast Margin Maximization via Dual Acceleration
Arxiv
4+阅读 · 2021年7月1日
Beta Embeddings for Multi-Hop Logical Reasoning in Knowledge Graphs
Arxiv
9+阅读 · 2020年10月22日
Efficient Probabilistic Logic Reasoning with Graph Neural Networks
Arxiv
4+阅读 · 2020年2月4日
Probabilistic Logic Neural Networks for Reasoning
Arxiv
7+阅读 · 2019年6月20日
Learning Discrete Structures for Graph Neural Networks
Arxiv
17+阅读 · 2019年3月28日
Embedding Logical Queries on Knowledge Graphs
Embedding Logical Queries on Knowledge Graphs
Arxiv
3+阅读 · 2019年2月19日
Inference in Probabilistic Graphical Models by Graph Neural Networks
Arxiv
3+阅读 · 2018年5月25日
VIP会员
文章信息
前往arXiv
下载PDF
相关主题
图
CC
MoDELS
操作
数据库
相关VIP内容
【干货书】Python程序员编程，810页pdf，Python® for Programmers
【干货书】Python程序员编程，810页pdf，Python® for Programmers
专知会员服务
60+阅读 · 2020年8月6日
图机器学习-图拉普拉斯算子的离散正则性，141页ppt，Discrete regularity graph Laplacians
专知会员服务
28+阅读 · 2020年6月4日
知识图谱嵌入模型的概率标定,Probability Calibration for Knowledge Graph Embedding Models
专知会员服务
34+阅读 · 2020年5月11日
Query2box: 使用盒嵌入对向量空间中的知识图谱进行推理，Query2box: Reasoning over Knowledge Graphs in Vector Space Using Box Embeddings
专知会员服务
45+阅读 · 2020年5月11日
因果图，Causal Graphs，52页ppt
因果图，Causal Graphs，52页ppt
专知会员服务
246+阅读 · 2020年4月19日
【ICLR2020】利用图神经网络进行高效概率逻辑推理，Efficient Probabilistic Logic Reasoning with Graph Neural Networks
【ICLR2020】利用图神经网络进行高效概率逻辑推理，Efficient Probabilistic Logic Reasoning with Graph Neural Networks
专知会员服务
111+阅读 · 2020年1月29日
【论文】用于推理的概率逻辑神经网络（Probabilistic Logic Neural Networks for Reasoning）
【论文】用于推理的概率逻辑神经网络（Probabilistic Logic Neural Networks for Reasoning）
专知会员服务
103+阅读 · 2019年12月30日
【图机器学习论文】图神经网络的逻辑表达性（Logical Expressiveness of Graph Neural Networks）
【图机器学习论文】图神经网络的逻辑表达性（Logical Expressiveness of Graph Neural Networks）
专知会员服务
40+阅读 · 2019年12月30日
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
专知会员服务
34+阅读 · 2019年10月17日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
热门VIP内容
相关资讯
Hierarchically Structured Meta-learning
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Hierarchical Imitation - Reinforcement Learning
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
Hierarchical Disentangled Representations
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【论文】变分推断（Variational inference)的总结
【论文】变分推断（Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
可解释的CNN
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
【学习】Hierarchical Softmax
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
相关论文
A Probabilistic Forecast-Driven Strategy for a Risk-Aware Participation in the Capacity Firming Market: extended version
Arxiv
0+阅读 · 2021年8月29日
Automata Linear Dynamic Logic on Finite Traces
Arxiv
0+阅读 · 2021年8月26日
Model-based Chance-Constrained Reinforcement Learning via Separated Proportional-Integral Lagrangian
Arxiv
0+阅读 · 2021年8月26日
Fast Margin Maximization via Dual Acceleration
Arxiv
4+阅读 · 2021年7月1日
Beta Embeddings for Multi-Hop Logical Reasoning in Knowledge Graphs
Arxiv
9+阅读 · 2020年10月22日
Efficient Probabilistic Logic Reasoning with Graph Neural Networks
Arxiv
4+阅读 · 2020年2月4日
Probabilistic Logic Neural Networks for Reasoning
Arxiv
7+阅读 · 2019年6月20日
Learning Discrete Structures for Graph Neural Networks
Arxiv
17+阅读 · 2019年3月28日
Embedding Logical Queries on Knowledge Graphs
Embedding Logical Queries on Knowledge Graphs
Arxiv
3+阅读 · 2019年2月19日
Inference in Probabilistic Graphical Models by Graph Neural Networks
Arxiv
3+阅读 · 2018年5月25日
Top
微信扫码咨询专知VIP会员
Top