성공적인 지식 그래프 편집이 정확한 답변을 대체할 때: 매개변수 지원을 초과하는 rank 수준의 근접성

지식 그래프 임베딩(Knowledge Graph Embedding, KGE) 모델을 편집하여 원하는 답변을 추천하는 것만으로는 올바른 답변을 목록에서 밀어내는 문제를 해결하지 못할 수 있다. 단지 편집된 매개 변수를 재사용하는 사실만을 기반으로 하는 지역성 테스트는 rank-displacement 효과를 놓칠 수 있다. 우리는 세 가지 범위에서 공통 rank-displacement 감사 절차를 소개한다. 첫 번째는 편집된 매개 변수로 지원되는 사실, 두 번째는 대상 쿼리에서 올바른 다른 답변, 세 번째는 동일한 관계를 갖는 쿼리에서 올바른 답변이다. 우리는 편집이 대상에 대해 향상시키면서 선택한 점수를 정확히 보존하기 위한 dimensional 및 geometric 조건도 도출한다. FB15k-237에서 DistMult와 ComplEx를 사용한 직접 편집은 항상 대상이 top ten에 들어가게 하지만, 편집이 손상없이 이루어지는 경우는 23.0--23.2%에 불과하다. strict preservation은 손상이 없는 경우를 1.3--1.4%로 나타내지만, 성공하는 경우는 1.3--1.4%에 불과하다. 지원 정규화된 엔티티 편집은 joint 성공률에서 가장 높은 값을 36.3--37.7%로 나타내며, rank-truncated preservation은 32.8--34.7%를 나타내며, 평균적으로 약 14개의 답변을 밀어내던 것에서 1.2개의 답변으로 줄이는 효과를 나타낸다. 차원, 점수기, ranking convention, 그리고 learned editor를 포함한 다양한 실험을 통해 지역성은 보호 범위와 편집 메커니즘에 모두 의존한다는 것을 알 수 있다. 따라서 지식 그래프 임베딩 편집은 rank-displacement의 성공도 함께 보고해야 하며, 발생 빈도 및 정도도 함께 보고해야 한다.