BoxE: 지식 기반 완성용 박스 임베딩 모델

지식 기반 보완(Knowledge Base Completion, KBC)은 지식 기반(KB) 내에 이미 존재하는 정보를 활용하여 누락된 사실을 자동으로 추론하는 것을 목표로 한다. KBC에 대한 유망한 접근 방식은 지식을 잠재 공간에 임베딩하고, 학습된 임베딩을 기반으로 예측을 수행하는 것이다. 그러나 기존의 임베딩 모델은 다음의 적어도 하나의 제약 사항에 직면해 있다: (1) 이론적 표현력의 부족, (2) 주목할 만한 추론 패턴(예: 계층 구조)에 대한 지원 부족, (3) 고차원 관계에 대한 KBC 지원 부족, (4) 논리 규칙 통합에 대한 지원 부족. 본 연구에서는 이러한 모든 제약 사항을 동시에 해결할 수 있는 공간-이동 임베딩 모델인 BoxE를 제안한다. BoxE는 개체(entity)를 점(point)로, 관계(relation)를 하이퍼직사각형(또는 박스)의 집합으로 임베딩함으로써 기본적인 논리적 성질을 공간적으로 특성화한다. 이 간단해 보이는 추상화는 많은 원하는 논리적 성질을 자연스럽게 인코딩할 수 있는 완전한 표현력을 갖춘 모델을 제공한다. BoxE는 풍부한 규칙 언어의 다양한 규칙을 추출하고, 이를 지식 기반에 통합할 수 있으며, 단일 추론 패턴을 넘어서는 강력한 능력을 갖춘다. 설계상 BoxE는 고차원 관계를 갖는 지식 기반에도 자연스럽게 적용 가능하다. 상세한 실험 분석을 수행한 결과, BoxE는 벤치마크 지식 그래프뿐만 아니라 더 일반적인 지식 기반에서도 최신 기술(SOTA) 수준의 성능을 달성함을 입증하였으며, 논리 규칙 통합의 효과를 실험적으로도 검증하였다.