RADD: 다중 모드 지식 그래프 완성 위한 검색 증강 이산 확산

대부분의 다중 모드 지식 그래프 완성 (MMKGC) 모델은 전체 엔티티 세트에 대한 검색과 최종 의사결정을 모두 수행하기 위해 하나의 임베딩 스코어 (embedding scorer) 를 사용합니다. 우리는 이러한 결합이 핵심 병목 현상이라고 주장합니다: 전역 고 리콜 (high-recall) 검색과 로컬 세밀한 다의성 제거 (fine-grained disambiguation) 는 서로 다른 유도 편향 (inductive biases) 을 요구하기 때문입니다. 따라서 우리는 MMKGC 의 검색 (retrieve) 과 재순위화 (reranking) 를 분리하기 위해 Retrieval-Augmented Discrete Diffusion (RADD) 프레임워크를 제안합니다. 관계 인식 다중 모드 KGE 리트리버 (relation-aware multimodal KGE retriever) 는 전역 리트리버이자 지식 증류 교사로 역할을 수행하며, 조건부 이산 노이즈 제거기 (conditional discrete denoiser) 는 재순위화를 위한 쇼트리스트 레벨 엔티티-아이디 생성을 수행합니다. 학습은 KGE 지도 신호, 노이즈 제거 크로스 엔트로피, 그리고 리트리버에서 노이즈 제거기로 가는 온도 스케일링 지식 증류 (temperature-scaled distillation) 를 결합합니다. 추론 단계에서는 설계된 Diff-Rerank 가 먼저 리트리버를 통해 톱-$K$ 쇼트리스트를 형성한 다음 노이즈 제거기로 이를 재순위화하여, 정밀도가 리콜의 엄격한 전제조건임을 보장합니다. 세 가지 MMKGC 벤치마크에서 수행한 실험 결과, RADD 는 가장 우수한 성능을 보이며 강력한 단일 모드, 다중 모드 및 LLM 기반 베이스라인 대비 일관된 개선을 달성했습니다. 또한 아블레이션 (ablations) 을 통해 각 구성 요소의 기여를 추가로 검증했습니다.