신경 링크 예측기의 데이터 효율적인 복잡한 쿼리 응답을 위한 적응

불완전 지식 그래프에서 복잡한 쿼리를 처리하는 것은 모델이 결측 정보가 있는 상태에서 복잡한 논리적 쿼리를 답변해야 하는 어려운 작업입니다. 기존 연구에서는 이 문제를 해결하기 위해 복잡한 쿼리 답변 작업을 위해 엔드투엔드로 훈련된 아키텍처를 설계하였으며, 이 과정은 해석이 어려우며 많은 데이터와 자원을 필요로 합니다. 다른 연구 방향에서는 간단한 신경 링크 예측기를 재사용하여 복잡한 쿼리를 답변하는 방법을 제안하였습니다. 이는 훈련 데이터의 양을 수십 배 줄이는 동시에 해석 가능한 답변을 제공합니다. 그러나 이러한 접근 방식에서 사용되는 신경 링크 예측기는 명시적으로 복잡한 쿼리 답변 작업에 최적화되어 있지 않아, 그 점수들이 서로 상호작용하도록 교정되어 있지 않습니다.우리는 이러한 문제들을 CQD$^{\mathcal{A}}$를 통해 해결하고자 합니다. CQD$^{\mathcal{A}}$는 신경 링크 예측점수를 복잡한 쿼리 답변 작업에 맞게 재교정하기 위한 매개변수 효율적인 점수 \emph{적응} 모델입니다. 신경 링크 예측기는 동결된 상태인 반면, 적응 구성요소는 모델 매개변수의 수를 $0.03\%$만 증가시키면서 다운스트림 복잡한 쿼리 답변 작업에 대해 훈련됩니다. 또한, 교정 구성요소는 원자 부정(atomic negations)을 포함하는 쿼리에 대한 추론을 지원할 수 있게 하며, 이는 이전에는 링크 예측기로 불가능했던 것입니다.실험 결과, CQD$^{\mathcal{A}}$는 현재 최신 방법들보다 유의미하게 더 정확한 결과를 생성하며, 모든 데이터셋과 쿼리 유형 평균 Mean Reciprocal Rank (MRR) 값이 $34.4$에서 $35.1$로 개선되었습니다. 이는 사용 가능한 훈련 쿼리 유형의 $\leq 30\%$만 사용하면서 이루어진 결과입니다. 우리는 또한 CQD$^{\mathcal{A}}$가 데이터 효율적이며, 단지 $1\%$의 훈련 복잡한 쿼리만으로도 경쟁력 있는 성능을 달성하며, 도메인 외 평가에서도 견고함을 보임을 입증하였습니다.