DRUM: 지식 그래프에서 엔드 투 엔드 미분 가능한 규칙 채굴

본 논문에서는 귀납적이고 해석 가능한 링크 예측을 위한 확률론적 논리 규칙 학습 문제를 연구합니다. 귀납적 링크 예측의 중요성에도 불구하고, 이전 대부분의 연구는 전이적 링크 예측에 초점을 맞추었으며, 이전에 본 적 없는 엔티티를 처리할 수 없었습니다. 또한, 이러한 모델들은 흑상자 모델로 인간에게 쉽게 설명하기 어려웠습니다. 우리는 이러한 문제들을 해결하기 위해 지식 그래프에서 1차 논리 규칙을 추출하는 확장 가능하고 미분 가능한 접근 방식인 DRUM(Differentiable Rule Mining)을 제안합니다. 우리의 방법은 각 규칙에 대한 신뢰도 점수를 학습하는 것과 저순위 텐서 근사 사이의 연결성을 통해 동기를 부여합니다. DRUM은 양방향 RNNs를 사용하여 다양한 관계에 대한 규칙 학습 작업 간 유용한 정보를 공유합니다. 또한, 우리는 다양한 벤치마크 데이터셋에서 기존 규칙 추출 방법들과 비교하여 DRUM의 효율성을 경험적으로 입증하였습니다.