CHE-TKG: 역사적 증거와 진화적 역동성 학습을 통한 시간 지식 그래프 추론
요약
본 논문은 시간 지식 그래프(Temporal Knowledge Graph, TKG) 추론의 핵심 과제인 역사적 증거와 진화적 역동성을 통합적으로 활용하는 새로운 프레임워크 CHE-TKG를 제안합니다. 기존 방법들이 이 두 출처 중 하나에만 집중했던 한계를 극복하기 위해, CHE-TKG는 두 관점을 명시적으로 분리하고 함께 모델링하여 상호 보완적인 예측 신호를 학습합니다. 이를 통해 장기적 구조와 단기 변화 모두를 포착하며 TKG 추론 성능을 향상시킵니다.
핵심 포인트
- TKG 추론은 과거 사실 기반의 미래 사건 예측이 목표이며, 핵심 입력으로 '역사적 증거'와 '진화적 역동성' 두 가지 출처를 활용해야 합니다.
- 제안된 CHE-TKG는 이 두 출처(역사적 증거 및 진화적 역동성)를 명시적으로 분리하고 함께 모델링하는 협력적 이중 관점 학습 프레임워크입니다.
- CHE-TKG는 각각의 특성을 포착하기 위해 전용 인코더를 사용하며, 관계 분해(relation decomposition)와 대비 정렬 목적(contrastive alignment objective)을 적용하여 상호 보완적인 예측 신호를 강화합니다.
- 광범위한 실험 결과에서 CHE-TKG가 여러 벤치마크에서 최상위 성능을 달성했음이 입증되었습니다.
시간 지식 그래프 (Temporal Knowledge Graph, TKG) 추론은 과거 사실로부터 미래 사건을 예측하는 것을 목표로 합니다. TKG 에서 예측 정보를 함께 포착하는 데 있어 핵심적인 과제는 역사적 증거와 진화적 역동성이라는 두 가지 출처입니다. 그러나 기존 방법들은 일반적으로 이 두 출처 중 하나에만 집중하여 TKG 의 상호 보완적인 예측 신호를 완전히 활용하는 능력을 제한합니다. 이를 해결하기 위해 우리는 시간 지식 그래프 추론을 위한 새로운 협력적 이중 관점 학습 프레임워크인 CHE-TKG 를 제안합니다. CHE-TKG 는 역사적 증거와 진화적 역동성을 명시적으로 분리하고 함께 모델링하여 그 상호 보완적인 예측 신호를 학습하고 활용하는 것을 목표로 합니다. 구체적으로, CHE-TKG 는 장기적인 구조적 규칙성과 안정적인 관계적 제약을 포착하기 위해 역사적 증거 그래프를 구축하고, 시간적 전이와 최근 변화를 모델링하기 위해 진화적 역동성 그래프를 구축하며 각 관점을 위한 전용 인코더를 사용합니다. 또한 두 관점 간의 예측 신호를 더 잘 포착하기 위해 관계 분해 (relation decomposition) 와 대비 정렬 목적 (contrastive alignment objective) 을 적용합니다. 광범위한 실험结果表明 CHE-TKG 는 여러 벤치마크에서 최상위 성능을 달성함을 보여줍니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.CL의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기