Core Concepts
지식 그래프 임베딩의 신뢰성을 측정하는 ReliK 방법을 제안한다. ReliK는 임베딩 점수의 상대적 순위를 활용하여 특정 하위 그래프에서 임베딩의 성능을 사전에 예측할 수 있다.
Abstract
이 논문은 지식 그래프 임베딩(KGE)의 신뢰성을 측정하는 ReliK 방법을 제안한다. ReliK는 임베딩 점수의 상대적 순위를 활용하여 특정 하위 그래프에서 KGE의 성능을 사전에 예측할 수 있다.
ReliK의 주요 특징은 다음과 같다:
- 임베딩 방법에 독립적이며, 추가 학습이 필요 없다.
- 특정 downstream 작업에 의존하지 않고 일반적으로 적용 가능하다.
- 지역적 특성을 반영하여 KG의 특정 부분에 대한 신뢰성을 측정할 수 있다.
논문에서는 ReliK의 정확한 계산 방법과 더불어 효율적인 근사 기법을 제안한다. 실험 결과, ReliK는 다양한 downstream 작업에서 KGE의 성능을 잘 예측하며, 질의 응답 및 규칙 마이닝과 같은 복잡한 작업에서도 유용함을 보여준다.
Stats
지식 그래프 임베딩 점수가 높을수록 해당 트리플이 실제로 존재할 가능성이 높다.
긍정 트리플과 부정 트리플의 임베딩 점수 분포가 잘 구분된다.
Quotes
"Can we assess a priori how well a knowledge graph embedding will perform on a specific downstream task and in a specific part of the knowledge graph?"
"ReliK relies solely on KGE embedding scores, is task- and KGE-agnostic, and requires no further KGE training."
"ReliK exhibits the locality property, as its computation and semantics can be tailored to a specific part of the KG."