リンク予測に用いられる最も成功した知識グラフ埋め込み（KGE）モデル、すなわちCP、RESCAL、TuckER、ComplExなどの多くは、エネルギーに基づくモデル（energy-based models）として解釈できる。この視点から見ると、これらのモデルは正確な最尤推定（MLE）やサンプリングが困難であり、論理制約の統合も困難である。本研究では、これらのKGEのスコア関数を「回路（circuits）」として再解釈する。回路とは、効率的な周辺化（marginalisation）を可能にする制約付き計算グラフを指す。その後、活性化関数を非負に制限するか、出力を二乗するという2つのアプローチを用いて、効率的な生成型回路モデルを構築する。この再解釈により、リンク予測の性能はほとんど損なわれず、回路フレームワークの導入によって、MLEによる正確な学習、新しい三項組の効率的サンプリング、そして論理制約が設計上満たされることを保証できる。さらに、数百万のエンティティを含む大規模グラフにおいても、従来のKGEモデルよりもより滑らかにスケーラブルであることが示された。