초록
지식 그래프 임베딩은 지식 그래프에서 링크 예측을 수행하는 가장 성공적인 방법 중 하나로, 즉 관계적 사실들의 불완전한 집합을 완성하는 작업에 속합니다. 이러한 모델의 단점은 모델 하이퍼파라미터, 특히 정규화기(regularizers)에 대한 강한 민감성으로, 좋은 성능을 얻기 위해서는 광범위한 조정이 필요하다는 점입니다 [Kadlec 등, 2017]. 우리는 이러한 모델을 확률론적 프레임워크에서 해석함으로써 대규모 하이퍼파라미터 조정을 위한 효율적인 방법을 제안합니다. 엔티티별 하이퍼파라미터를 도입하는 모델 증강 후, 변분 기대 최대화(Variational Expectation-Maximization) 접근법을 사용하여 최소한의 추가 비용으로 수천 개의 하이퍼파라미터를 조정합니다. 우리의 접근 방식은 모델의 세부 사항에 무관하며, 표준 벤치마크 데이터에서 링크 예측의 새로운 최고 수준 결과를 달성하였습니다.