지식그래프 임베딩(KGE) 모델을 편집해 원하는 답을 밀어 올리면 반환 목록에서 정답이 밀려날 수 있는데, 편집된 파라미터를 재사용하는 사실만 보는 지역성 테스트는 이런 순위 효과를 놓칠 수 있다. 이 논문은 편집 파라미터가 지지하는 사실, 대상 쿼리의 다른 정답, 같은 관계를 공유하는 쿼리 전반의 정답이라는 세 범위에서 공통 순위 변위 감사를 도입하고, 선택된 점수를 정확히 보존하며 목표를 개선하는 업데이트의 차원·기하 조건도 유도한다. FB15k-237에서 DistMult와 ComplEx로 실험한 결과 직접 승격은 항상 목표를 상위 10위 안에 넣지만 손상 없이 성공하는 경우는 23.0~23.2%에 불과했고, 엄격한 보존은 측정 손상이 없지만 성공률이 1.3~1.4%에 그쳤다. 지지 정규화 엔티티 편집이 36.3~37.7%로 가장 높은 동시 성공률을 보였고, 순위 절단 보존은 32.8~34.7%를 달성하며 밀려나는 정답 수를 평균 약 14개에서 1.2개로 줄였다.

• •KGE 편집이 목표 답을 상위로 올리는 동시에 다른 정답을 순위에서 밀어내는 부작용을 세 범위로 감사
• •FB15k-237 실험에서 직접 승격은 손상 없는 성공률이 23.0~23.2%에 불과
• •엄격한 보존은 손상 없지만 성공률이 1.3~1.4%로 매우 낮음
• •지지 정규화 엔티티 편집이 36.3~37.7%로 최고 성공률, 순위 절단 보존은 변위 정답 수를 14개→1.2개로 감소