본 논문에서는 지식 그래프 임베딩 모델의 학습 성능을 향상시키기 위해, 관계의 도메인 및 범위 정보를 활용하여 더욱 정확하고 효율적인 합성 부정 예제를 생성하는 새로운 방법을 제안합니다.
KAAE 모델은 지식 그래프의 수치적 추론 작업에서 엔티티, 관계 및 수치형 속성 간의 복잡한 상호 작용을 학습하여 정확한 추론을 가능하게 합니다.
기존의 쌍곡 공간 기반 지식 그래프 임베딩 모델들이 가진 공간 매핑 문제를 해결하기 위해, 본 논문에서는 로렌츠 회전을 활용한 완전한 쌍곡 회전 모델(FHRE)을 제안하여, 쌍곡 공간을 더욱 효율적으로 활용하고, 다양한 벤치마크 데이터셋에서 우수한 성능을 달성했습니다.
KG-FIT은 LLM에서 얻은 오픈 월드 지식을 활용하여 기존 지식 그래프 임베딩 방법의 성능을 향상시키는 새로운 프레임워크입니다.
본 논문에서는 다차원 지식 그래프 임베딩을 활용하여 국제 무역 흐름을 분석하고 예측하는 KonecoKG 모델을 제시하며, 이는 전통적인 회귀 모델보다 50~155배 향상된 예측 성능을 보여줍니다.
지식 그래프 임베딩(KGE)에 공간 관계의 기하학적 특징(토폴로지, 방향, 거리)을 통합하면 지리 공간 데이터에 대한 예측 정확도와 지리적 일관성을 향상시킬 수 있다.
지식 그래프 임베딩(KGE) 기술은 복잡한 관계 특성, 특히 관계 매핑, 다양한 관계 패턴 및 계층적 관계를 모델링하는 데 있어 어려움을 겪고 있으며, 이러한 문제를 해결하기 위해 관계 인식 매핑, 특정 표현 공간, 텐서 분해 및 신경망을 활용하는 다양한 모델이 개발되었다.
지식 그래프 임베딩에서 기존의 무작위 샘플링 방식을 넘어, 다양하고 적응적인 네거티브 샘플링을 통해 모델 학습 효율성을 높이는 새로운 접근 방식을 제시한다.
기존의 지식 그래프 임베딩 모델은 학습 데이터에 없는 엔티티, 관계, 리터럴을 처리하지 못하는 한계를 지니고 있었으나, 본 연구에서는 바이트 페어 인코딩(BYTE) 기법을 활용하여 이러한 문제를 해결하고, 지식 그래프 임베딩 모델이 귀납적 추론을 수행할 수 있도록 하는 방법론을 제시합니다.
지식 그래프 임베딩 모델을 사용한 링크 예측에서 발생하는 예측 다양성 문제를 분석하고, 소셜 초이스 이론의 투표 방법을 활용하여 이를 완화하는 방법을 제시한다.