BoxLitE는 DL-Lite^H 온톨로지를 위한 지식 베이스 임베딩 모델로, 개념을 벡터 공간의 볼록 영역(Box)에 매핑해 볼록 최적화로 학습한다. 일반 개념은 넓은 영역에, 특수 개념은 그 안에 포함된 좁은 영역으로 표현해 온톨로지 계층 구조를 자연스럽게 반영한다. 임의의 충족 가능한 DL-Lite^H KB에 대해 약한 충실도(weakly faithful) 임베딩이 존재함을 수학적으로 증명하며, KB 임베딩 학습을 볼록 최적화 문제로 정형화한다. 이 접근법은 온톨로지 기반 추론과 임베딩 일반화 능력을 결합하는 실용적 기반을 마련한다.
- •개념을 볼록 박스 영역에 매핑해 DL-Lite^H 온톨로지 계층 구조를 벡터 공간에서 자연스럽게 표현하는 BoxLitE 제안.
- •임의의 충족 가능한 DL-Lite^H KB에 대해 약한 충실도 임베딩이 존재함을 수학적으로 증명.
- •KB 임베딩 학습을 볼록 최적화 문제로 정형화해 온톨로지 추론과 임베딩 일반화를 결합.
BoxLitE: A Faithful Knowledge Base Embedding Based on Convex Optimization
- 1.BoxLitE는 DL-Lite^H 지식베이스를 위한 볼록 최적화 기반 임베딩 모델, 개념을 벡터 공간의 볼록 영역(박스)으로 표현
- 2.임의의 만족 가능한 DL-Lite^H KB에 대해 약한 충실 모델인 BoxLitE 임베딩이 존재함을 수학적으로 증명
- 3.KB 임베딩 태스크를 볼록 최적화 문제로 정형화하는 개념 검증 실험 제시
왜 중요한가?
기존 KB 임베딩이 볼록성을 학습에 충분히 활용하지 못한 한계를 극복, 온톨로지 계층 표현에서 수학적 충실성을 보장하는 방향을 제시해 지식 그래프 추론 품질 향상에 기여한다.
🏷️ 언급 프로젝트
지식 베이스(KB) 임베딩의 정확성을 높이는 새로운 접근 방식인 BoxLitE는 국내 인공지능 기반 검색, 추천, 그리고 복잡한 지식 추론 시스템 개발에 중요한 진전을 가져올 수 있습니다. 개념적 지식과 사실 정보를 통합하고 최적화하여 AI의 신뢰성과 성능을 향상시키는 데 기여할 것입니다.
본문 미리보기
arXiv:2605.23937v1 Announce Type: new Abstract: Knowledge base (KB) embeddings aim at combining the capability of classical knowledge graph embeddings to generalize the information present in facts, the ABox, with conceptual knowledge represented in an ontology language, the TBox. Several authors have recently explored the idea of mapping concepts to convex regions in a vector space. This is useful to represent hierarchies, typically present in TBoxes, since more general concepts can be mapped
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
