知識グラフ補完（Knowledge Graph Completion, KGC）は、知識グラフ（Knowledge Graphs, KGs）内のエンティティ間の欠落している関係を発見することを目指しています。これまでのKGCの研究の大半は、単純なスコアリング関数を通じてエンティティと関係の埋め込みを学習することに焦点を当てています。しかし、より高い次元の埋め込み空間が通常必要とされ、これによりモデルサイズが大きくなり、実世界の問題（大規模なKGやモバイル/エッジコンピューティングなど）への適用が妨げられることがあります。本研究では、この課題に対処するため、軽量でモジュール化されたKGCソリューションであるGreenKGCを提案します。GreenKGCは、表現学習、特徴量剪定、決定学習という3つのモジュールから構成されています。これらのモジュールにより、差別的なKG特徴量を抽出し、分類器とネガティブサンプリングを使用して欠落している関係について正確な予測を行うことが可能になります。実験結果は、低次元においてGreenKGCが多くのデータセットで最先端手法（SOTA）を上回ることを示しています。さらに、低次元のGreenKGCは高次元モデルに対して競合するか、あるいはそれ以上の性能を達成しながらも大幅に小さなモデルサイズで動作することが確認されました。