Core Concepts
적은 수의 지원 인스턴스로부터 메타 관계 정보를 학습하여 하이퍼 관계 사실의 누락된 엔티티를 정확하게 예측할 수 있다.
Abstract
이 논문은 실세계 시나리오에서 실용적인 새로운 과제인 "적은 수의 지원 인스턴스를 활용한 하이퍼 관계 사실의 링크 예측(FSLPHFs)"을 소개한다. 이를 해결하기 위해 MetaRH 모델을 제안한다. MetaRH는 관계 학습, 지원 특정 조정, 쿼리 추론의 3가지 모듈로 구성된다.
관계 학습 모듈은 엔티티 배경 사실을 활용하여 초기 적은 수의 관계 표현을 생성한다. 지원 특정 조정 모듈은 지원 인스턴스의 손실 기울기를 활용하여 관계 표현을 조정하여 메타 관계 정보를 얻는다. 쿼리 추론 모듈은 이 메타 관계 정보를 사용하여 쿼리의 누락된 엔티티를 예측한다.
실험 결과는 MetaRH가 기존 모델들에 비해 우수한 성능을 보인다는 것을 입증한다. 특히 배경 데이터와 지원 특정 조정 모듈이 MetaRH의 성능 향상에 중요한 역할을 한다는 것을 확인할 수 있다.
Stats
전체 지식 그래프 중 32.5%의 관계가 5개 미만의 인스턴스를 가지고 있다.
실세계 지식 그래프는 새로운 관계를 지속적으로 도입하며, 이러한 관계는 제한된 인스턴스를 가지고 있다.
Quotes
"적은 수의 관계는 실세계 시나리오에서 일반적이지만, 기존 연구는 이를 간과하고 있다."
"메타 학습 방법의 성공에 영감을 받아, 우리는 지원 인스턴스의 손실 기울기를 활용하여 관계 표현을 조정할 수 있다."