이 논문은 딥러닝 모델이 적용되는 작업에 내재된 논리적 제약 조건을 고려하는 방법을 제안한다. 특히 화학 온톨로지 분류 작업에서 상위 클래스-하위 클래스 관계(subsumption)와 상호배타성(disjointness) 관계를 활용하여 모델의 일관성을 높이는 의미론적 손실 함수를 소개한다.
제안된 의미론적 손실 함수는 기존의 분류 손실 함수에 추가적인 항을 더하여 온톨로지 제약 조건을 반영한다. 이때 퍼지 논리를 활용하여 차별화된 손실 함수를 정의한다. 또한 하위 클래스에 대한 예측을 강화하기 위해 균형 잡힌 의미론적 손실 함수를 제안한다.
실험 결과, 제안된 의미론적 손실 함수를 사용한 모델은 기존 모델 대비 일관성 위반을 2-3 order 감소시킬 수 있었다. 다만 일부 모델에서는 분류 성능이 다소 저하되는 경향이 있었는데, 이는 온톨로지 계층 구조의 불균형으로 인한 것으로 분석된다. 균형 잡힌 의미론적 손실 함수를 사용하면 이러한 문제를 완화할 수 있었다.
추가로 비지도 학습 데이터를 활용한 반지도 학습 실험에서는 분포가 다른 데이터에 대해서도 일관성 있는 예측이 가능함을 보였다.
Egy másik nyelvre
a forrásanyagból
arxiv.org
Mélyebb kérdések