Atrous Convolution과 Residual Learning을 활용한 지식 그래프 임베딩

지식 그래프 임베딩은 중요한 과제이며, 다양한 후속 응용 분야에 큰 도움을 줄 수 있다. 현재 딥 신경망 기반의 방법들이 최고 성능을 달성하고 있다. 그러나 이러한 기존 방법들은 대부분 매우 복잡하며, 학습과 추론에 많은 시간이 소요된다. 이 문제를 해결하기 위해, 간단하면서도 효과적인 어트로스 컨볼루션(아트로스 컨볼루션) 기반의 지식 그래프 임베딩 방법을 제안한다. 기존 최첨단 방법들과 비교하여 본 연구의 방법은 다음과 같은 주요 특징을 갖는다. 첫째, 어트로스 컨볼루션을 활용함으로써 특징 간의 상호작용을 효과적으로 증가시킨다. 둘째, 기존 정보 유실 문제와 기울기 소실/폭주 문제를 해결하기 위해 리지드 러닝(잔차 학습) 기법을 사용한다. 셋째, 구조가 간단하면서도 파라미터 효율성이 훨씬 뛰어나다. 제안한 방법은 다양한 평가 지표를 사용하여 여섯 개의 벤치마크 데이터셋에서 평가되었다. 광범위한 실험 결과에 따르면, 본 모델은 매우 효과적임을 확인할 수 있으며, 다양한 데이터셋에서 비교 대상 최첨단 방법들보다 대부분의 평가 지표에서 더 우수한 성능을 기록하였다. 본 모델의 소스 코드는 https://github.com/neukg/AcrE 에서 확인할 수 있다.