유도적 지식 그래프 완성은 훈련 중 관측되지 않은 새로운 엔터티들 사이에서 누락된 삼중항(triplets)을 예측하는 과제로 고려되어 왔다. 대부분의 유도적 지식 그래프 완성 방법은 모든 엔터티가 새로울 수 있음을 가정하지만, 추론 시점에 새로운 관계가 등장하는 경우를 허용하지 않는다. 이러한 제한은 새로운 관계와 함께 등장하는 새로운 엔터티가 현실 세계의 지식 그래프를 구성하는 상황에서 기존 방법들이 이를 적절히 처리하는 것을 방해한다. 본 논문에서는 추론 시점에 새로운 관계뿐 아니라 새로운 엔터티의 임베딩도 생성할 수 있는 INductive knowledge GRAph eMbedding 방법 InGram을 제안한다. 지식 그래프가 주어졌을 때, 우리는 관계 그래프를 관계들과 그 사이의 친화도(affinity) 가중치로 이루어진 가중 그래프로 정의한다. InGram은 관계 그래프와 원래의 지식 그래프를 바탕으로, 주의(attention) 메커니즘을 사용하여 이웃 임베딩을 집계하는 방법을 학습함으로써 관계 및 엔터티 임베딩을 생성한다. 실험 결과, InGram은 다양한 유도 학습 시나리오에서 14개의 서로 다른 최신(state-of-the-art) 방법보다 성능이 우수함을 보였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.