Alapfogalmak
지식 그래프 임베딩에서 기존의 무작위 샘플링 방식을 넘어, 다양하고 적응적인 네거티브 샘플링을 통해 모델 학습 효율성을 높이는 새로운 접근 방식을 제시한다.
Kivonat
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.