지식 그래프 추론을 위한 확산 모델을 이용한 그래프 형태의 규칙 생성

지식 그래프(KG) 추론에서 논리 규칙은 해석 가능성과 관계 패턴을 모델링할 수 있는 능력으로 지식 그래프의 기본적인 구성 요소입니다. 그러나 기존 규칙 탐색 방법은 단순한 chain-like 규칙에만 집중하고 그래프와 같은 구조의 richer 관계 정보를 무시합니다. 특히, 그래프와 같은 규칙은 탐색 공간의 combinatorial 폭발로 인해 계산적인 성능이 저하됩니다. 이 한계는 또한 diffusion 모델과 같은 생성적 접근이 직접적으로 적용되지 못하는 이유입니다. diffusion 모델은 다른 도메인에서 성공적이지만, 학습 목표가 규칙 학습의 목표와 일치하지 않으며, 비연속적인 지식 그래프 규칙의 품질 지표가 모델 최적화에 직접적인 지침을 제공하지 못하기 때문입니다. 이러한 한계를 해결하기 위해, 우리는 GRiD라는 프레임워크를 제안합니다. GRiD는 지식 그래프의 target 관계에 대한 조건에 따라 그래프와 같은 규칙 발견을 재구성하는 방식의 디지털 생성 프로세스를 사용합니다. GRiD는 두 단계의 훈련 전략을 사용합니다. 첫 번째 단계에서는 supervised pre-training을 통해 GRiD가 지식 그래프의 meta-graph에서 샘플링한 subgraphs의 구조적 사전 지식을 캡처합니다. 그 후에, reinforcement learning을 사용하여 policy gradient 최적화를 통해 비연속적인 규칙 품질 지표에 직접적으로 지시된 GRiD를 최적화합니다. 여섯 개의 benchmark 데이터셋에 대한 실험 결과, GRiD는 지식 그래프 완성 작업에서 경쟁력 있는 성능을 달성했습니다. Ablation 연구에서는 GRiD의 효율성과 강인성을 확인했으며, 그래프와 같은 규칙이 chain-like 규칙을 보완한다는 것을 더 확인했습니다. 우리의 코드와 데이터셋은 https://github.com/Haoxiang-Cheng/GRiD에서 제공됩니다.