초록
지식 그래프(KGs)는 다양한 분야에서 지식 추론을 가능하게 하는 데 중요한 역할을 합니다. 최근에 전역 정보와 지역 정보를 통합한 KG 추론 방법들이 유망한 결과를 달성하였습니다. 그러나 기존 방법들은 종종 점수 과다 평활화(score over-smoothing) 문제로 인해 올바른 답변과 잘못된 답변 간의 구분이 모호해지고, 추론 효과성이 저하되는 문제가 있습니다. 이를 해결하기 위해, 우리는 DuetGraph라는 코스-투-파인(coarse-to-fine) KG 추론 메커니즘을 제안합니다. DuetGraph는 메시지 전달을 통해 지역 정보를 처리하고, 주의(attention)를 통해 전역 정보를 처리하는 두 개의 독립적인 경로로 이들을 분리하여 상호 간섭을 방지하고 표현 차별성을 유지합니다. 또한, DuetGraph는 코스-투-파인 최적화를 도입하여 엔티티들을 고점수 집합과 저점수 집합으로 나눕니다. 이 전략은 후보 공간을 좁히고 두 집합 사이의 점수 차이를 명확히 하여, 과다 평활화를 완화하고 추론 품질을 향상시키는 역할을 합니다. 다양한 데이터셋에 대한 광범위한 실험 결과, DuetGraph가 최신 기술(SOTA) 성능을 달성하며, 추론 품질에서 최대 8.7%의 개선과 학습 효율성에서 1.8배의 가속화를 보였습니다.