관계 대칭 구조에 기반한 지식 그래프 대조 학습

지식 그래프 임베딩(KGE)은 다양한 인공지능 응용 프로그램에 도움이 되는 강력한 표현을 학습하는 것을 목표로 합니다. 한편, 대조 학습은 학습된 표현의 분별력을 향상시키기 위한 효과적인 메커니즘으로 그래프 학습에서 널리 활용되고 있습니다. 그러나 KG의 복잡한 구조는 적절한 대조 쌍을 구성하기 어렵게 만듭니다. KGE와 대조 학습 전략을 통합한 시도는 몇 가지에 불과합니다. 하지만 이들 대부분은 대조 쌍 구성을 위해 언어 모델(예: Bert)에 의존하고 있으며, 이는 그래프 구조의 정보에 대한 완전한 탐색을 방해하여 표현 능력을 저하시킵니다. 놀랍게도, 우리는 관계 대칭 구조 내의 개체들이 보통 유사하고 상관관계가 있음을 발견합니다. 이를 위해, 우리는 KGs의 대칭 구조 정보를 채굴하여 KGE 모델의 분별력을 향상시키는 관계 대칭 구조 기반의 지식 그래프 대조 학습 프레임워크인 KGE-SymCL을 제안합니다. 구체적으로, 관계 대칭 위치에 있는 개체들을 긍정 쌍으로 삼는 플러그 앤 플레이 접근 방식이 제안됩니다. 또한, 긍정 쌍을 서로 끌어당기기 위한 자기 지도 정렬 손실이 설계됩니다. 링크 예측 및 개체 분류 데이터셋에 대한 실험 결과는 우리의 KGE-SymCL이 다양한 KGE 모델에 쉽게 적용되어 성능 향상을 이룰 수 있음을 보여줍니다. 더욱이, 광범위한 실험을 통해 우리의 모델이 다른 최첨단 기준을 능가할 수 있음을 보여줍니다.