Keskeiset käsitteet
지식 그래프 임베딩에서 기존의 무작위 샘플링 방식을 넘어, 다양하고 적응적인 네거티브 샘플링을 통해 모델 학습 효율성을 높이는 새로운 접근 방식을 제시한다.
Tiivistelmä
지식 그래프에서의 다양하고 적응적인 네거티브 샘플링 (DANS)
본 연구는 지식 그래프 임베딩에서 모델 학습에 사용되는 네거티브 샘플의 질을 향상시키는 것을 목표로 한다. 특히, 기존의 무작위 샘플링 방식이 가진 네거티브 샘플의 정보량 부족 문제를 해결하고자 한다.
본 연구에서는 다양하고 적응적인 네거티브 샘플링(DANS)이라는 새로운 접근 방식을 제시한다. DANS는 크게 두 가지 구성 요소로 이루어져 있다.
1. 적응형 양방향 생성기
기존 GAN 기반 네거티브 샘플링 방식과 달리, DANS는 두 개의 경로를 가진 생성기를 사용한다.
첫 번째 경로는 주어진 엔티티와 관련된 네거티브 샘플을 생성하고, 두 번째 경로는 엔티티-관계 쌍과 관련된 네거티브 샘플을 생성한다.
이러한 양방향 생성 방식은 보다 다양한 네거티브 샘플을 생성하여 모델 학습에 필요한 정보량을 증가시킨다.
또한, FiLM 레이어를 활용하여 전역 생성기 모델을 각 엔티티 및 관계에 맞게 조정하여 적응력을 높인다.
2. 양방향 판별기
판별기는 생성기에서 생성된 샘플이 실제 엔티티와 유사하도록 학습시키는 역할을 한다.
DANS의 판별기는 두 가지 경로를 통해 생성된 샘플을 구별하는 기능을 수행하여 생성기의 다양성을 더욱 향상시킨다.