지식 그래프 (Knowledge Graphs, KG) 상의 기본 그래프 패턴 (Basic Graph Patterns, BGP) SPARQL 쿼리의 쿼리 최적화에는 정확한 카디널리티 추정 (cardinality estimation)이 필요합니다. 최근 발표된 학습 기반 추정기 (learned estimators)들은 통계 및 샘플링 기반 방식보다 뛰어난 성능을 보이지만, 실제 트리플스토어 (triplestores)에 도입하는 것을 방해하는 한계를 공유합니다. 즉, 이들은 트랜스덕티브 (transductive) 방식이어서 기반 그래프가 변경되거나 새로운 그래프에 적용될 때 재학습이 필요합니다. 본 논문에서는 재학습 없이도 (보이지 않는 관계를 포함하여) 완전히 보지 못한 그래프로 일반화할 수 있는 KG 상의 BGP 쿼리를 위한 최초의 학습 기반 카디널리티 추정기인 FICE (Fully Inductive Cardinality Estimation)를 제안합니다. FICE는 두 개의 결합된 구성 요소로 이루어진 그래프 신경망 (Graph Neural Network, GNN)입니다. 첫째, KG의 팩터 그래프 (factor-graph) 뷰에 대한 인코더 GNN이 엔티티 (entity) 및 관계 (relation) 임베딩을 생성합니다. 우리는 이 뷰에서 바운드 항 (bound terms) 주변의 2-홉 이웃 (2-hop neighborhood)이 BGP 카디널리티의 국소 함수 (local function)임을 증명하여, 국소 메시지 패싱 (local message-passing) 인코더의 동기를 부여합니다. 그런 다음 디코더 GNN이 쿼리의 조인 토폴로지 (join topology)를 따라 이러한 임베딩을 결합하여 로그 카디널리티 (log-cardinality)를 예측합니다. 인코더와 디코더는 공동으로 학습되어 임베딩이 카디널리티 추정에 특화되도록 합니다. FICE는 수백만 개의 트리플을 가진 KG로 확장하기 위해 이웃 샘플링 (neighborhood sampling)을 사용하여 학습되며, 임베딩 생성과 카디널리티 디코딩을 분리하여 1밀리초 미만의 추정 지연 시간을 가능하게 합니다. 10개의 KG에 대해 학습 기반 및 비학습 기반 베이스라인과 비교했을 때, FICE는 전체 중앙값 q-error를 (최고의 경쟁 모델인) 13.54에서 5.34로 줄였으며 꼬리 부분의 동작 (tail behavior)에서 모든 접근 방식을 압도합니다.