Robust Link Prediction over Noisy Hyper Relational Knowledge Graphs via Active Learning

Abstract

Weijian Yu, State Key Laboratory of Internet of Things for Smart City and Department of Computer and Information Science, University of Macau, Macau, Macau

노이즈가 많은 하이퍼 관계형 지식 그래프(KGs)에서 링크 예측의 근본적인 과제는 다음과 같습니다:

• 본질적인 노이즈의 존재: 현대 지식 그래프는 구성 과정의 특성상 필연적으로 노이즈를 포함하고 있습니다.
  • 자동 추출 방식의 한계: 대규모 웹 말뭉치에서 자동으로 추출된 지식 그래프(예: NELL, YAGO)는 노이즈가 많은 소스 말뭉치와 불완전한 추출 기술로 인해 노이즈가 발생합니다. 예를 들어, NELL은 74%의 정밀도를 보이며 약 0.6백만 개의 노이즈 트리플을 포함하고, YAGO는 95%의 정확도를 보고하지만 약 7.5백만 개의 노이즈 트리플에 해당합니다.
  • 크라우드소싱 방식의 취약성: 위키데이터와 같이 크라우드소싱을 통해 구축된 지식 그래프는 참가자의 동기 부여에 민감하고 악의적인 참가자에게 취약하여 빈번하게 훼손될 수 있습니다.
  • 이러한 노이즈는 링크 예측과 같은 하위 애플리케이션에 매우 해로울 수 있습니다.
• 하이퍼 관계형 사실의 복잡성으로 인한 신뢰도 평가의 어려움:
  • 전통적인 지식 그래프는 주어-관계-목적어(triple) 형태의 사실로 구성되지만, 현대 지식 그래프는 기본 트리플에 추가 정보를 설명하는 임의의 수의 키-값 쌍이 연관된 하이퍼 관계형 사실을 포함하는 경우가 많습니다.
  • 기존의 로버스트 학습 기법들은 대부분 트리플 사실에 중점을 두었으며, 트리플 사실의 경우 사실 단위의 신뢰도를 평가하는 것이 비교적 간단합니다.
  • 그러나 하이퍼 관계형 사실의 정확성은 포함된 모든 요소의 호환성에 따라 달라지기 때문에, 사실의 신뢰도 평가를 상당히 복잡하게 만듭니다. 이는 기존의 많은 신뢰도 평가 기술 적용을 어렵게 합니다.
  • 트리플과 달리 하이퍼 관계형 사실은 임의의 수의 키-값 쌍을 포함할 수 있으며, 이로 인해 크라우드 어노테이터(crowd annotator)가 많은 요소를 확인하는 데 상당한 노력이 필요할 수 있습니다 (예: 한 사실에 67개의 엔티티와 66개의 관계가 포함될 수 있음).
• 제한된 인간 라벨링 예산 활용의 비효율성:
  • 크라우드소싱을 통한 인간의 신뢰도 평가는 유망한 해결책이지만, 크라우드 어노테이터의 높은 비용 때문에 제한된 라벨링 예산을 효과적으로 활용하는 것이 중요합니다.
  • 현대 지식 그래프에 포함된 엄청난 수의 사실은 크라우드 어노테이터의 라벨링 용량을 크게 초과하므로, 가장 유익한 샘플을 선택하고 라벨링 효율성을 높이는 메커니즘을 설계하는 것이 중요합니다.
  • 대규모의 노이즈가 많은 지식 그래프에 대한 수동 수정은 노력이 많이 들고 항상 제한된 인적 자원에 의해 제약을 받습니다.