압축적 지식 그래프 가설: 과학적 가설 생성에 있어 어떤 그래프 사실이 중요한가?

지식 그래프 (Knowledge Graphs, KGs)는 언어 모델 (Language Models)에 구조화된 과학적 맥락을 제공할 수 있지만, 어떤 그래프 사실이 실제로 생성된 가설을 형성하는지는 여전히 불분명합니다. 본 연구에서는 Mistral-7B, Llama-3.1-70B, 그리고 Gemini 2.5 Flash를 대상으로 배터리 소재에 대한 KG 유도 가설 생성 (KG-guided hypothesis generation)을 연구합니다. 우리는 밀도 (density), 온톨로지 풍부도 (ontology richness), 위상 (topology), 그리고 제어 구조 (control structure)를 변화시켜 국소적 KG (local KGs)를 섭동 (perturb)시키고, 제공된 그래프 (provided-graph) 및 고정 참조 (fixed-reference) 지표를 모두 사용하여 출력을 평가합니다. 모델 전반에 걸쳐 KG의 효용성은 선택적이며 모델 의존적입니다. 즉, 그래프 맥락은 출력을 변화시키지만, KG가 없는 (no-KG) 출력 또한 모델의 사전 지식 (model priors)으로부터 상당한 그래프 내용을 복구해냅니다. 압축된 top-k 서브그래프 (subgraphs)는 주장된 결과 트리플 (claimed-outcome triples)이 제외된 경우를 포함하여 전체 KG의 동작을 종종 근사합니다. 동시에, 압축은 단일한 의미론적 순위 규칙 (semantic ranking rule)에만 국한되지 않으며, 무작위 및 위상 기반 서브셋 (subsets) 또한 신호의 상당 부분을 복구할 수 있습니다. 이러한 결과는 중복성을 인지하는 압축적 KG 가설 (Compressive KG hypothesis)을 뒷받침합니다. 즉, 유용한 KG 신호는 전체 국소 그래프를 요구하기보다 압축되고 과학적으로 구조화된 서브그래프로부터 복구 가능한 경우가 많습니다.