우리는 구조적 전이적 지식 그래프 완성(transductive knowledge-graph completion, KGC)을 위한 레시피 제어 디코더 감사(recipe-controlled decoder audit, RCDA)를 제시합니다. 이 감사는 간단한 보고 질문을 던집니다: 인코더(encoder)나 학습 레시피(training recipe)의 이점을 돌리기 전에, 동일한 레시피 하에서 디코더(decoder)를 교체했을 때 어떤 변화가 발생하는가? 우리는 ComplEx와 DistMult를 주요 제어 쌍으로 사용하고, RotatE/TransE를 표적 스팟 체크(spot-checks)로 활용하여 7개의 벤치마크를 평가합니다. 5개의 표준 지식 그래프(KGs)에서, 우리의 레시피 하에 ComplEx와 DistMult 간의 차이는 미미하지만 일관적입니다(+0.005 ~ +0.012 MRR). 반면 CompGCN 스타일의 인코더 효과는 데이터셋에 따라 더 다양하게 나타납니다. 소규모 지식 그래프(KGs)에서는 디코더 효과가 주요 진단 요소가 됩니다: Kinship는 +0.143 MRR의 안정적인 ComplEx 우위를 보여주었으나(6개 시드), UMLS는 깨끗한 6개 시드 서버 재실행 시 ComplEx가 +0.022 MRR만큼 우세했으나 이전의 출처(provenance) 변형에서는 결과가 뒤바뀌었습니다. 따라서 우리는 소규모 KG에서의 디코더 선택을 고정된 데이터셋 승자가 아닌, 레시피 및 출처에 민감한 것으로 취급합니다. 우리는 더 나아가 WN18RR에서 디코더 선택이 인코더 깊이(encoder depth)와 상호작용함을 보여주며, 우리의 레시피 L=0 하에서 YAGO3-10의 ComplEx는 d=128에서 0.6971 +/- 0.0048 MRR에 도달함을 보여줍니다. 이 결과는 간결한 감사 프로토콜을 제시합니다: 일치하는 디코더 행을 보고하고, 소규모 KG의 출처를 기록하며, 인코더 수준의 주장을 하기 전에 디코더 x 깊이(decoder x depth)를 탐색(sweep)하십시오.