KGATE: 지식 그래프 임베딩 학습 환경

지식 그래프 임베딩 (Knowledge Graph Embedding, KGE) 모델은 지식 그래프의 개체(entity)와 관계(relation)를 저차원 잠재 공간(latent space)에 인코딩하여 분류나 링크 예측과 같은 작업을 가능하게 합니다. 대부분의 KGE 모델은 오토인코더 구조(autoencoder architecture)를 따르며, 이 구조에서 인코더가 지식 그래프를 잠재 공간으로 투영하고 디코더가 이를 재구성합니다. 인코더와 디코더 구성 요소를 모두 결합하는 것이 점점 더 필요해지고 있지만, 기존 라이브러리들은 완전한 오토인코더를 지원하는 경우가 드물고, 종종 유지보수가 되지 않으며, 문서화되지 않은 기본 하이퍼파라미터에 의존하고, 라이브러리 간 비교가 불가능한 결과를 산출합니다. 본 논문에서는 PyTorch Geometric과 TorchKGE를 기반으로 구축된 모듈형 Python 라이브러리인 KGATE (Knowledge Graph Autoencoder Training Environment)를 소개합니다. KGATE는 사용자가 초기화기(initializers), 인코더, 디코더, 손실 함수(losses), 네거티브 샘플러(negative samplers), 그리고 평가 지표(evaluation metrics) 등을 빌딩 블록으로 조립하거나 자신만의 블록을 플러그인 할 수 있도록 합니다. KGATE는 데이터 누수(data leakage)를 제어하는 전처리 절차, 내장된 학습 파이프라인(training pipeline), 그리고 설계 단계부터의 재현성(reproducibility)을 포함합니다. 기존 6개의 KGE 라이브러리와의 벤치마크 결과에 따르면, KGATE의 학습 시간은 가장 빠른 라이브러리들과 비교할 만하며 더 광범위한 기능을 제공하는 것으로 나타났습니다.