글로벌 엔티티 링킹을 위한 동적 컨텍스트 증강 학습

최근 집단적 엔티티 링킹(EL) 기법의 성공에도 불구하고, 이러한 '글로벌' 추론 방법은 '모든 언급 간 일관성(all-mention coherence)' 가정이 성립하지 않을 경우 최적의 결과를 도출하기 어려울 수 있으며, 복잡한 탐색 공간으로 인해 추론 단계에서 높은 계산 비용을 초래하는 경우가 많다. 본 논문에서는 이러한 문제를 해결하기 위해, 문서 내 언급들을 단 한 번만 순차적으로 탐색하면 되는 간단하면서도 효과적인 해결책인 동적 컨텍스트 증강(Dynamic Context Augmentation, DCA)을 제안한다. DCA는 순차적으로 컨텍스트 정보를 누적함으로써 효율적이고 집단적인 추론을 가능하게 하며, 다양한 로컬 EL 모델을 플러그 앤 업(Plug-and-Enhance) 모듈로 활용할 수 있다. 본 연구에서는 DCA 모델을 학습하기 위한 지도학습 및 강화학습 전략을 모두 탐구하였다. 광범위한 실험을 통해 다양한 학습 설정, 기반 모델, 결정 순서 및 주의 메커니즘에서 본 모델의 효과성을 입증하였다.