基于图神经网络的预算交互式属性图修复

《Proceedings of the ACM on Management of Data》：Budgeted Interactive Property Graph Repair with GNN

　　

摘要AI 摘要

要查看此 AI 生成的摘要，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

属性图是一种强大的数据模型，但它们经常因违反完整性约束而导致不一致。现有的修复策略要么完全自动化——难以处理需要领域专业知识解决的模糊案例——要么由人工驱动，缺乏可扩展性，并忽视了预算和用户异质性。在本研究中，我们提出了一种新颖的属性图修复方法，将自动推理与用户专业知识相结合。我们引入了一个基于图神经网络（GNN）的难度估计器，该估计器联合捕捉违规的拓扑和语义方面，使系统能够区分适合自动修复和需要人工干预的案例。在此基础上，我们设计了一种预算受限的、难度感知和用户感知的分配算法，该算法根据用户的专长和容量将违规分配给用户，同时在资源约束下最大化预期修复质量。我们证明了该问题的 NP 难度，并提供了拉格朗日松弛方法。大量实验表明，与基线方法相比，我们的方法显著提高了修复准确率，并且与其他交互式方法相比，大幅减少了参与的用户数量。

AI 摘要

AI 生成的摘要（实验性）

本摘要由自动化工具生成，未经本文作者撰写或审阅。其目的是支持发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解该工作。它旨在补充作者提供的摘要，后者仍然是论文的主要摘要。完整文章仍然是权威的版本记录。点击此处了解更多。

点击此处对该摘要的准确性、清晰度和有用性发表评论。这样做将有助于改进和生成未来的版本。

要查看此 AI 生成的通俗摘要，您必须拥有高级访问权限。