CHAPTER 07 Knowledge Graph Reasoning  /  A Neuro-Symbolic Perspective

결론과 연구 프론티어세 추론 태스크와 온톨로지, 그리고 그다음에 놓인 다섯 방향

이 책은 KG 추론을 위해 신경망과 심볼릭 추론을 통합하는 매혹적인 영역을 광범위하게 조사했다. 초점은 세 주요 범주의 추론 태스크 — 지식 그래프 완성, 복합 질의 응답, 논리 규칙 학습 — 에 맞춰졌고, 나아가 KG의 추론 역량을 강화하는 값진 자원으로서 KG 온톨로지의 활용을 철저히 탐구했다. 각 태스크마다 심볼릭 방법론과 신경 방법론을 모두 포괄적으로 개관하고, 둘의 결합 활용에서 발생하는 시너지 잠재력을 파고들었다. 뉴로-심볼릭 추론 시스템은 그 결합으로 정확도와 해석 가능성을 함께 향상시킬 수 있다.

“We hope this book has provided readers with a comprehensive understanding of this field and we encourage readers to explore further the exciting possibilities of neuro-symbolic reasoning.” — 7장 맺음 문장
저자Kewei Cheng · Yizhou Sun 출판Springer, 2025 범위pp. 181–185
01 / SYNTHESIS

이 책이 세운 구조

심볼릭  +  신경  =  뉴로-심볼릭  ·  태스크마다 하나의 최신 알고리즘

이 책의 구성 원리는 태스크마다 같다. 먼저 심볼릭 방법을 다루고, 다음으로 표현 학습 기반 신경 방법을 다루고, 마지막으로 둘을 결합한 뉴로-심볼릭 통합과 그 계열의 최신 알고리즘 하나를 상세히 소개한다. 네 개 장이 이 패턴을 따르며, 각각 UniKER · FuzzQE · RLogic · JOIE로 귀결된다.

책 전체 종합 — 네 태스크의 심볼릭 · 신경 · 통합 축
CHAPTER 3 지식 그래프 완성 심볼릭 추론 MAX-SAT · 전방/후방 연쇄 MLN · PSL 표현 학습 (KGE) TransE · RotatE · DistMult ComplEx · ConvE · RGCN UniKER 확정적 Horn 규칙 + 반복 결합 확률적 프로그래밍의 확장성 문제 → 정확 추론으로 효과성과 효율성 동시 달성 CHAPTER 4 복합 질의 응답 부분그래프 매칭 Ullmann 알고리즘 SPARQL 논리 질의 임베딩 GQE · Query2Box BetaE · NewLook FuzzQE 퍼지 논리 기반 연산자 논리 연산이 논리 법칙을 위배 → 임베딩 공간에서 법칙 준수를 보장 CHAPTER 5 논리 규칙 학습 탐색 기반 ILP · FOIL AMIE (연관 규칙 마이닝) 뉴로-심볼릭 학습 NTP · TensorLog · Neural-LP RNNLogic · R5 RLogic 스키마 수준 재귀 연역 규칙 식별이 관측 데이터에 크게 의존 → 연역을 학습에 밀어 넣어 증거 의존을 줄임 CHAPTER 6 온톨로지 결합 온톨로지 뷰 G_O 메타 수준 추상 · 계층 TKRL · HRS · TransRHS 인스턴스 뷰 G_I 인스턴스 수준 인스턴스화 크로스뷰 링크 · SSE JOIE 크로스뷰 + 인트라뷰 공동 임베딩 한쪽 뷰만 쓰면 정보를 방기 → 두 정보 출처를 공동으로 통합 NEURO-SYMBOLIC KG REASONING
심볼릭 계보 신경 · 표현 학습 계보 이 책이 제시하는 최신 알고리즘
7장이 열거하는 네 태스크와 각 태스크의 대표 알고리즘을 하나의 축으로 정리했다. 6장은 심볼릭/신경의 이분법이 아니라 온톨로지 뷰 / 인스턴스 뷰의 이분법을 따르므로 그에 맞춰 표기했다. 원문 7장에는 도판이 없다. 이 종합도는 7장이 서술하는 네 태스크의 구성(심볼릭 계보 → 신경 계보 → 통합 알고리즘)과 각 태스크에 명시된 한계·해법을 그대로 배치한 정리도다.
02 / TASKS

네 태스크의 간결한 종합

UniKER  ·  FuzzQE  ·  RLogic  ·  JOIE
Chapter 3

지식 그래프 완성

Knowledge Graph Completion

목표는 기존 사실을 활용해 누락 사실을 예측하는 것이다. KG 완성을 위한 여러 접근을 소개했다.

접근
(1) 전통적 심볼릭 추론 기법, (2) 최근의 표현 학습 기반 방법, (3) 뉴로-심볼릭 접근
한계
확률적 프로그래밍 프레임워크로 신경과 심볼릭을 결합하려는 시도가 있었으나 확장성 문제가 효과성을 저해했다
UniKER [1]심볼릭 추론과 표현 학습을 매끄럽게 결합해 효과성과 효율성을 동시에 달성한다.
Chapter 4

복합 질의 응답

Complex Query Answering

KG 완성과 달리 여러 엔티티와 관계가 개입하는 1차 논리(FOL) 형식의 복합 질의에 답하는 더 도전적인 문제다.

접근
(1) 전통적 부분그래프 매칭 기법, (2) 더 최근의 논리 질의 임베딩 방법
한계
논리 질의 임베딩은 유의미한 진전을 목격했으나, 다수의 기존 모델이 논리 연산에서 논리 법칙을 따르지 못해 성능이 미달한다
FuzzQE [2]임베딩 공간 안에서 퍼지 논리로 논리 연산자를 정의해 논리 법칙 준수를 보장하고 성능을 개선한다.
Chapter 5

논리 규칙 학습

Logical Rule Learning

목표는 KG로부터 논리 규칙을 자동으로 유도하는 것이다.

접근
(1) 전통적 탐색 기반 방법, (2) 더 최근의 뉴로-심볼릭 접근
한계
논리 규칙 학습에서 주목할 성능을 달성했음에도 뉴로-심볼릭 통합 방법은 규칙 식별에 관측 데이터에 크게 의존한다. 지지 인스턴스가 충분하지 않은 규칙을 식별하려 할 때 난관이 된다
RLogic [3]연역적 추론을 학습 과정 안으로 밀어 넣어 직접적 증거 지지에 대한 의존을 줄인다.
Chapter 6

온톨로지를 KG 추론에 결합

Incorporating Ontology into KG Reasoning

KG는 통상 두 관점을 포괄한다. (1) 메타 수준 추상을 위한 온톨로지 뷰, (2) 인스턴스 수준 인스턴스화를 위한 인스턴스 뷰다. 온톨로지 뷰의 포함이 KG에 추가로 값진 정보를 제공하며, 두 뷰의 공동 고려가 KG 추론 성능을 유의미하게 강화할 수 있다.

접근
스키마 정보의 통합 방식에 따라 크로스뷰 연결을 활용하는 것과 인트라뷰 연결을 활용하는 것으로 범주화된다
요지
KG 온톨로지 안의 크로스뷰 연결과 인트라뷰 구조 모두가 KG 추론에 사활적 역할을 한다는 점을 인식하는 것이 결정적이다
JOIE [4]두 정보 출처를 공동 방식으로 효과적으로 통합하는 가장 대표적인 연구다.
03 / CHALLENGES

남은 난관과 저자들의 판단

해석 가능성  ·  확장성

이 책은 뉴로-심볼릭 추론 시스템의 난관과 한계도 논의했다. 신경망과 결부된 해석 가능성 문제와 대규모 데이터를 다룰 때의 확장성 우려가 그에 해당한다.

저자들의 판단

그럼에도 저자들은 KG 추론을 위해 신경망과 심볼릭 추론을 결합하는 잠재적 이득이 난관을 크게 능가하며, 이 접근이 앞으로도 활발한 연구 영역으로 계속될 것이라고 본다. 이 분야에는 흥미로운 연구 프론티어와 잠재적 미래 방향이 다수 존재한다.

04 / FRONTIERS

다섯 연구 프론티어

설명 가능성 · 멀티모달 · LLM 결합 · 시간 추론 · 연합 추론
연구 프론티어 탐색기
7장이 제시하는 다섯 방향을 문제 인식 · 접근 · 기대 효과로 나누어 정리했다. 왼쪽 목록에서 방향을 고르면 상세가 갱신된다.
05 / CLOSING

맺음말

풍부하고 빠르게 진화하는 연구 영역
Chapter 07 — Closing

전반적으로, KG 추론을 위해 신경망과 심볼릭 추론을 결합하는 것은 풍부하고 빠르게 진화하는 연구 영역이다.

위에 제시한 추가 미래 방향들은 이 시스템들이 다룰 수 있는 응용과 난관의 폭넓은 범위를 보여주며, 이 분야에서 지속적 혁신과 영향력의 잠재력을 강조한다.

저자들은 이 책이 독자에게 이 분야에 대한 포괄적 이해를 제공했기를 바라며, 독자가 뉴로-심볼릭 추론의 흥미로운 가능성을 더 탐구하기를 권한다.

“Overall, combining neural networks with symbolic reasoning for KG reasoning is a rich and rapidly evolving research area. … We hope this book has provided readers with a comprehensive understanding of this field and we encourage readers to explore further the exciting possibilities of neuro-symbolic reasoning.”
Chapter 07 — 핵심 정리

7장이 남기는 다섯 가지 결론

  1. 01

    책의 구성 원리는 태스크마다 동일하다. 심볼릭 → 신경 → 뉴로-심볼릭 통합의 3단 구성이며, 각 태스크의 종착점에 최신 알고리즘 하나가 놓인다 — UniKER · FuzzQE · RLogic · JOIE.

  2. 02

    네 알고리즘이 겨누는 한계는 서로 다르다. UniKER는 확장성, FuzzQE는 논리 법칙 준수, RLogic은 관측 데이터 의존, JOIE는 한쪽 뷰만 쓰는 정보 방기를 겨눈다. 즉 이 책은 네 개의 서로 다른 병목에 각각 하나의 답을 제시한 구성이다.

  3. 03

    뉴로-심볼릭 시스템에 남은 난관은 두 가지로 요약된다 — 신경망의 해석 가능성과 대규모 데이터의 확장성. 저자들은 결합의 이득이 이 난관을 크게 능가한다고 판단한다.

  4. 04

    다섯 프론티어는 서로 다른 축을 확장한다. 설명 가능성(어텐션·시각화), 양식(텍스트·이미지·비디오), 지식 원천(LLM ↔ KG 상호 보완), 시간(동적 KG와 미래 예측), 분산(프라이버시를 지키는 연합 추론).

  5. 05

    LLM과 KG의 결합은 양방향이다. KG는 LLM에 정확하고 신뢰할 수 있는 사실을 제공해 환각을 줄이고 해석 가능성을 높이며, LLM은 언어 생성 역량으로 새 사실을 생성해 KG 구축의 수작업 부담과 갱신 지체를 덜어낸다. OreoLM [5]의 지식 상호작용 계층(KIL)이 그 구체적 사례다.

REF

참고문헌

7장 인용 문헌 5편 — 이 책이 제시한 네 알고리즘과 OreoLM
  1. [1]UniKER — K. Cheng, Z. Yang, M. Zhang, Y. Sun. UniKER: A unified framework for combining embedding and definite Horn rule reasoning for knowledge graph inference. EMNLP, 2021.
  2. [2]FuzzQE — X. Chen, Z. Hu, Y. Sun. Fuzzy logic based logical query answering on knowledge graphs. AAAI, 36:3939–3948, 2022.
  3. [3]RLogic — K. Cheng, J. Liu, W. Wang, Y. Sun. RLogic: Recursive logical rule learning from knowledge graphs. ACM SIGKDD, pp. 179–189, 2022.
  4. [4]JOIE — J. Hao, M. Chen, W. Yu, Y. Sun, W. Wang. Universal representation learning of knowledge bases by jointly embedding instances and ontological concepts. ACM SIGKDD, pp. 1709–1719, ACM, 2019.
  5. [5]OreoLM — Z. Hu, Y. Xu, W. Yu, S. Wang, Z. Yang, C. Zhu, K.-W. Chang, Y. Sun. Empowering language models with knowledge graph reasoning for question answering. arXiv:2211.08380, 2022.