지식 그래프(KG) 추론에서 기존 규칙 마이닝 방법이 단순 체인 구조에만 집중해 사이클·분기 같은 그래프형 구조를 놓쳤는데, GRiD 프레임워크는 그래프형 규칙 발굴을 목표 관계에 조건화된 이산 생성 프로세스로 재정의해 이를 해결했다. GRiD는 KG 메타그래프 서브그래프에서 구조적 사전 분포를 학습하는 지도 사전학습 후, 미분 불가능한 규칙 품질 지표로 직접 안내하는 강화학습 파인튜닝의 2단계 전략을 사용한다. 6개 벤치마크 데이터셋에서 경쟁력 있는 KG 완성 성능을 달성했으며, 그래프형 규칙이 체인형 규칙과 상호 보완적임을 검증했다. 탐색 공간의 조합 폭발 문제를 생성 모델로 효과적으로 해결해 KG 추론의 새로운 가능성을 열었다.
- •GRiD는 사이클·분기를 포함한 그래프형 규칙을 이산 생성 프로세스로 발굴하며, 체인형 규칙만 다루던 기존 방법의 한계를 극복했다.
- •지도 사전학습 후 강화학습 파인튜닝의 2단계 전략으로 미분 불가능한 규칙 품질 지표를 직접 최적화 목표로 활용한다.
- •6개 벤치마크에서 경쟁력 있는 KG 완성 성능을 보이며, 그래프형 규칙이 체인형 규칙을 상호 보완함을 실험으로 확인했다.
Generating Graph-like Rules for Knowledge Graph Reasoning via Diffusion Models
- 1.지식 그래프(KG) 추론용 그래프형 규칙(사이클·분기 포함)을 이산 생성 과정으로 발견하는 GRiD 프레임워크 제안
- 2.지도 사전학습으로 구조 사전 확보 훈, 미분 불가 규칙 품질 지표를 보상으로 RL 파인튜닝하는 2단계 학습
- 3.6개 KG 완성 벤치마크에서 경쟁적 성능, 체인형 규칙과 상호보완적 효과 확인
왜 중요한가?
기존 규칙 마이닝이 단순 체인 구조에만 집중해 KG의 풍부한 관계 패턴을 놓치는 문제를 생성 모델로 해결, KG 기반 추론 시스템의 해석 가능성과 커버리지를 동시에 개선한다.
🏷️ 언급 프로젝트
본문 미리보기
arXiv:2605.30747v1 Announce Type: new Abstract: Logical rules constitute a cornerstone of knowledge graph (KG) reasoning, valued for their interpretability and ability to model relational patterns. However, existing rule mining methods predominantly focus on simple chain-like rules and therefore neglect the richer relational information encoded in graph-like structures, such as cycles and branches. This limitation is further exacerbated by computational bottlenecks caused by the combinatorial e
전체 내용이 궁금하다면?
원문을 직접 읽어보세요