Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
속성 그래프 쿼리를 통해 입력 그래프를 출력 그래프로 변환할 때, 출력 스키마를 추론하는 새로운 절차를 제안합니다. RDF 매핑과 기술 논리(DL) 추론기를 활용하여 복잡한 속성 그래프의 스키마 제약 조건을 효율적으로 관리합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기속성 그래프 (Property graphs)는 쿼리 엔진과 사용자 모두에게 유효한 데이터의 형태를 알려주는 스키마에 의해 제약될 수 있으며, 이는 데이터 제공자와 소비자 사이의 계약을 강제합니다. 조합 가능한 속성 그래프 쿼리 (Composable property-graph queries)는 입력 그래프를 출력 그래프로 변환합니다. 이때, 한 번(또는 여러 번)의 변환 단계 이후에 어떤 스키마를 기대할 수 있는가 하는 문제가 발생합니다. 본 연구에서는 입력 스키마와 변환 쿼리가 주어졌을 때 스키마 제약 조건이 어떻게 추론될 수 있는지 조사합니다. 구체적으로, ProGS의 입력 스키마와 G-CORE의 쿼리가 주어졌을 때 출력 스키마를 추론하는 추론 절차를 제안합니다. 그래프 업데이트는 빈번하게 발생하므로, 우리의 추론 절차는 그래프 인스턴스 (graph instances)에 의존하지 않으며, 따라서 계산된 출력 스키마는 입력 스키마를 준수하는 모든 입력 그래프로부터 파생된 모든 그래프에 적용됩니다. 관련 연구들은 SPARQL CONSTRUCT 쿼리에 대해 이 문제를 다루었으며, 이를 기술 논리 (Description Logics, DLs)로 인코딩하여 출력 스키마가 입력 스키마와 쿼리로부터 추론된 공리 (axioms)에 의해 함의되도록 했습니다. 그러나 속성 그래프와 그 쿼리는 레이블(label) 및 속성(property) 어노테이션뿐만 아니라 일급 객체로서의 에지(first-class edges)를 특징으로 하기 때문에 문제를 더 복잡하게 만듭니다. 따라서 어떤 방식으로든 구체화 (reification)가 사용되어야 하지만, 사용 가능한 DL은 이러한 특징을 직접 인코딩할 수 있는 수단이 부족합니다. 우리는 다음과 같은 매핑 계열을 통해 이 새로운 과제에 접근합니다: i) RDF로 구체화된 속성 그래프, ii) ProGS에서 SHACL로의 매핑, iii) G-CORE에서 SPARQL CONSTRUCT 쿼리로의 매핑. 이러한 방식으로, 우리는 추가적인 매핑 계층을 통해 문제를 분해하고 효율적인 DL 추론기 (reasoners)를 활용함으로써 속성 그래프를 위한 스키마 추론을 관리 가능한 수준으로 만듭니다. 우리는 추론된 스키마 제약 조건의 건전성 (soundness) 및 매핑된 스키마와 쿼리의 의미론적 동등성 (semantic equivalence)에 관한 메타 이론 (metatheory)을 개발합니다.