멀티모달·복층·귀납형 지식 그래프 임베딩과 추론 표현 학습

Multimodal, Bi-level, and Inductive Knowledge Graph Embedding for Reasoning

연구 내용

지식 그래프에서 엔티티·관계·삼중항 및 수치/상위 관계를 함께 설명하는 멀티모달·복층·귀납형 표현을 학습하여 추론과 완성 성능을 개선하는 연구

지식 그래프의 삼중항을 구조뿐 아니라 이미지·텍스트, 하이퍼 릴레이션의 수치 리터럴, 복층(비레벨) 관계로 확장해 표현 학습을 수행합니다. 엔티티와 관계 임베딩을 인코더·디코더 트랜스포머로 결합하고, 귀납 상황에서 새 엔티티뿐 아니라 새 관계 임베딩 생성까지 지원합니다. 또한 관계 인식 메시지 전달과 일반화 관점을 결합해 모델 설계 선택 요인을 분석합니다. 이를 통해 KGRL의 추론 태스크 및 완성 태스크에서 일관된 성능 향상을 목표로 합니다.

관련 프로젝트

1건

연구 흐름

초기에는 시각-텍스트 설명이 가능한 visual-textual knowledge graph에서 엔티티와 관계, 삼중항의 의미를 동시에 표현하는 임베딩 구조를 정립했습니다. 이후 하이퍼 릴레이션에서 수치 정보를 포함하는 통합 프레임워크로 확장하고, 복층(비레벨) 삼중항 간 선행 관계처럼 관계의 관계를 별도 계층으로 모델링했습니다. 동시에 귀납적 완성을 위해 관계 그래프 기반 집계를 도입해 새 관계 등장 상황을 처리하도록 개선했습니다. 최근에는 관계 인식 인코더-디코더 범용화로 다양한 모델을 포괄하고, PAC-Bayesian 일반화 한계를 제시해 설계 선택의 근거를 보강하고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

지식 그래프 완성
멀티모달 지식 검색
하이퍼 릴레이션 추론
복층 관계 예측
귀납형 KGC 파이프라인
수치 포함 지식 임베딩
삼중항 수준 설명 생성
관계 기반 메시지 전달 설계
일반화 기반 모델 선택
신뢰성 있는 지식 표현 학습