초록
지식 그래프(KGs)에서의 표현 학습에 있어 새로운 추세는 고정된 알려진 엔티티 집합에 대한 전이적 링크 예측 작업을 넘어, 하나의 그래프에서 훈련하고 미지의 엔티티를 포함하는 새로운 그래프에서 추론을 수행하는 귀납적 작업을 선호합니다. 귀납적 환경에서는 노드 특성이 종종 사용할 수 없으며, 미지의 엔티티에 대해 추론 시 사용할 수 없는 얕은 엔티티 임베딩 행렬을 훈련시키는 것은 무의미합니다. 이러한 관심이 증가하고 있지만, 귀납적 표현 학습 방법을 평가하기 위한 벤치마크가 충분하지 않습니다. 본 연구에서는 지식 그래프 귀납적 링크 예측에 관한 새로운 오픈 챌린지인 ILPC 2022를 소개합니다. 이를 위해 우리는 기존의 귀납적 벤치마크보다 훨씬 큰 다양한 크기의 훈련 및 추론 그래프를 포함하는 두 개의 새로운 데이터셋을 위키데이터(Wikidata) 기반으로 구축했습니다. 또한 최근 제안된 귀납적 방법을 활용한 두 가지 강력한 베이스라인도 제공합니다. 우리는 이 챌린지가 귀납적 그래프 표현 학습 분야에서 커뮤니티의 노력들을 체계화하는 데 도움이 되기를 바랍니다. ILPC 2022는 평가 공정성과 재현성을 최우선으로 고려하며, https://github.com/pykeen/ilpc2022에서 이용 가능합니다.