Graph databases have become increasingly popular for modeling complex relationships in data. But what if you could leverage graph capabilities within the familiar PostgreSQL environment you...

Show me the graph!

I have a graph: undirected, unweighted, no leaves, no disconnected edges or vertices. The graph is populated with vertices of 3 types: A, B, C. Let's say, I hold a vertex of type A, denoted as...

How and Why Netflix Built a Real-Time Distributed Graph: Part 1 — Ingesting and Processing Data Streams at Internet ScaleAuthors: Adrian Taruc and James DaltonThis is the first entry of a...

本文探讨了如何将Neo4j图数据库与大语言模型（LLM）结合，构建问答系统。通过知识图谱存储信息，LLM生成Cypher查询，最终提供自然语言答案，从而提升问答的智能化水平。

RustConf 2025 将探讨 Rust 在微软、人工智能和医疗等多个领域的应用，强调内存序的正确使用以避免数据竞争。同时，介绍了多个 Rust 项目和工具，如 beamterm 和 Utsuru，展示了 Rust 的广泛应用潜力。

本研究提出图基础模型（GFMs），旨在解决图数据在预训练和迁移学习中的挑战，并展示其在多种图任务中的应用潜力，为未来研究提供方向。

该研究提出了一种基于图的重排序方法（GRADA），旨在应对检索增强生成框架中的对抗文档攻击。实验结果表明，该方法将攻击成功率降低至80%，且仅造成微小的准确度损失。

本研究探讨了有界图神经网络（GNN）与一阶逻辑的关系，揭示了GNN在图表示学习中的逻辑表达能力，促进了其在图数据中的应用理解。

本研究提出了一种新型因果知识图谱（CKGs），将因果语义融入知识图谱中，提升推理能力并支持因果推断。结果表明，该方法能够高精度重现已知的不良药物反应，并发现新的候选项，具有重要的临床应用价值。

本研究提出了一种新型自监督图表示学习方法Graffe，旨在解决扩散概率模型在图表示学习中的应用不足。该模型通过图编码器提炼源图，并指导扩散解码器去噪，从而在节点和图分类任务中实现领先性能。

本研究提出RAVU框架，旨在解决大型多模态模型在理解长视频时的内存和检索不足问题。通过建模视频的时空关系，RAVU在复杂查询场景中实现了更准确的视频理解，实验结果表明其在NExT-QA和EgoSchema数据集上表现优异。

本研究提出了一种新型优化载体——浓缩图，旨在解决联邦图学习中的数据异质性问题，形成了新范式FedGM。实验结果表明，FedGM在降低通信成本和隐私风险方面优于现有方法。

本研究探讨了图神经网络(GNN)在对抗攻击下的可解释性与鲁棒性。评估了六种GNN架构在不同防御机制下的表现，结果显示防御方法和模型特征对可解释性有显著影响，为开发鲁棒且可解释的GNN提供了基础。

本研究系统分析了图学习与增强机器学习结合所带来的公平性挑战，揭示了复杂学习机制对模型公平性的影响，可能导致高风险应用中的歧视性结果，并探讨了提高GL-ML方法公平性的关键技术，为未来研究奠定基础。

本文提出了一种新方法Robo-SGG，通过布局嵌入编码器（LEE）提升受损图像的场景图生成效果，显著提高生成性能，对该领域具有重要影响。

本研究提出三种简单的修改，使普通变换器在图学习中有效应用，显著提升多种图数据集的性能，并在图同构性测试中表现优异。