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.