초록
지식 그래프 완성(Knowledge Graph Completion, KGC)은 지식 그래프(Knowledge Graphs, KGs)에서 실체들 간의 누락된 관계를 발견하는 것을 목표로 합니다. 이전의 대부분 KGC 연구는 단순한 점수 함수를 통해 실체와 관계의 임베딩을 학습하는 데 초점을 맞추었습니다. 그러나 더 나은 추론 능력을 위해서는 보통 더 고차원적인 임베딩 공간이 필요하며, 이는 모델 크기를 키우고 실제 문제(예: 대규모 KGs 또는 모바일/엣지 컴퓨팅)에의 적용을 방해합니다. 본 연구에서는 이러한 문제를 해결하기 위해 가벼운 모듈화된 KGC 솔루션인 GreenKGC를 제안합니다. GreenKGC는 표현 학습, 특성 제거, 결정 학습이라는 세 가지 모듈로 구성되어 있으며, 분류기와 부정 샘플링을 사용하여 누락된 관계에 대한 정확한 예측을 수행하기 위해 차별적인 KG 특성을 추출합니다. 실험 결과는 저차원에서 GreenKGC가 대부분의 데이터셋에서 최신 방법(SOTA)보다 우수한 성능을 보임을 입증하였습니다. 또한 저차원 GreenKGC는 훨씬 작은 모델 크기로 고차원 모델과 경쟁하거나 심지어 더 나은 성능을 내는 것이 가능함을 보여주었습니다.