초록
우리는 KBGAN을 소개합니다. KBGAN은 적대적 학습 프레임워크로, 다양한 기존 지식 그래프 임베딩 모델의 성능을 향상시키는 데 사용됩니다. 지식 그래프는 일반적으로 긍정적인 사실만 포함하고 있어 유용한 부정적인 학습 예제를 샘플링하는 것이 쉽지 않은 작업입니다. 사실의 머리 또는 꼬리 엔티티를 균일하게 무작위로 선택된 엔티티로 대체하는 방법이 부정적인 사실을 생성하기 위한 전통적인 방법이지만, 이렇게 생성된 대부분의 부정적인 사실은 긍정적인 사실과 쉽게 구별될 수 있으며, 학습에 큰 도움이 되지 않습니다. 생성적 적대 네트워크(GANs)에서 영감을 받아, 우리는 하나의 지식 그래프 임베딩 모델을 부정 샘플 생성기로 사용하여 원하는 모델(즉, GANs에서 판별자 역할)의 학습을 지원합니다. 이 프레임워크는 생성기와 판별자의 구체적인 형태에 독립적이므로, 다양한 지식 그래프 임베딩 모델을 구성 요소로 활용할 수 있습니다. 실험에서는 두 개의 번역 기반 모델인 TransE와 TransD를 각각 두 개의 확률 기반 모델인 DistMult와 ComplEx 중 하나의 지원으로 적대적으로 학습시켰습니다. 우리는 FB15k-237, WN18, WN18RR라는 세 가지 지식 베이스 완성 데이터셋을 사용하여 KBGAN의 링크 예측 작업 성능을 평가했습니다. 실험 결과는 적대적 학습이 다양한 설정 하에서 목표 임베딩 모델들의 성능을 실질적으로 향상시킨다는 것을 보여줍니다.