지난 10년 동안 여러 지식 그래프 표현 학습(KGRL) 방법이 제안되었으나, 이에 대한 이론적 분석은 매우 제한적으로 수행되어 왔다. 본 논문에서는 KGRL 방법에 대한 최초의 PAC-베이즈 일반화 경계를 제시한다. 광범위한 범주의 KGRL 모델을 분석하기 위해, 관계 인지 메시지 전달 인코더와 삼중항 분류 디코더로 구성된 일반화된 프레임워크인 ReED(Relation-aware Encoder-Decoder)를 제안한다. 우리의 ReED 프레임워크는 R-GCN 및 CompGCN과 같은 그래프 신경망 기반 모델뿐 아니라 RotatE 및 ANALOGY와 같은 얕은 구조의 모델까지 포함하여, 최소 15개의 서로 다른 기존 KGRL 모델을 표현할 수 있다. ReED 프레임워크에 대한 일반화 경계는 매개변수 공유 및 가중치 정규화 방식과 같이 KGRL에서 널리 사용되는 기법들에 대한 이론적 근거를 제공하며, 실용적인 KGRL 방법을 위한 바람직한 설계 선택을 제시한다. 또한 경험적으로, 본 일반화 경계에서의 핵심 요인들이 세 개의 실제 세계 지식 그래프에서 관찰되는 일반화 오류를 설명할 수 있음을 보인다.

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