추론 지평을 넘어선 엔터티 정렬 기반 모델

초록

본 논문은 지식 그래프 정렬(EA) 작업에 특화된 기반 모델(EAFM)을 제안한다. 기존 그래프 기반 모델이 전역적인 메시지 전달에 의존해 긴 추론 경로가 필요하다는 “추론 지평 격차” 문제를 해결하기 위해, 사전 정렬된 시드 엔터티 쌍을 로컬 앵커로 활용해 병렬 인코딩 전략을 도입한다. 전역 관계 그래프와 학습 가능한 매칭 모듈을 결합해 관계 스키마 이질성을 완화하고, 사전 학습된 모델을 그대로 새로운 KG에 적용해 제로샷 전이 성능을 입증한다.

상세 분석

이 논문은 엔터티 정렬(EA) 문제를 기존의 전이불가능한 임베딩 기반 접근법과 대비하여, 그래프 기반 파운데이션 모델(GFM)의 상대적 표현 방식을 차용하면서도 EA 고유의 구조적 난점을 정확히 짚어낸다. 핵심적인 “추론 지평 격차”(reasoning horizon gap)는 EA가 두 개의 이산된 KG 사이에서 장거리 의존성을 포착해야 함에도 불구하고, 기존 GFM이 설계된 단일 그래프 내 링크 예측은 상대적으로 짧은 경로에 최적화돼 있다는 점을 지적한다. 이 격차는 실험적으로도 hop distance에 따른 MRR 감소로 명확히 드러난다.

논문은 이를 해결하기 위해 세 가지 주요 설계를 제시한다. 첫째, 시드 EA 쌍을 “앵커”로 삼아 두 KG를 동시에 초기화하고, 앵커‑조건부 메시지 전달을 수행함으로써 전역 탐색 대신 로컬 구조 근접성을 활용한다. 이는 메시지 전달 깊이를 크게 얕게 만들어 추론 효율성을 높인다. 둘째, 관계 스키마의 이질성을 다루기 위해 두 KG의 모든 관계를 통합한 “병합 관계 그래프”(merged relation graph)를 구축한다. 여기서는 헤드‑헤드, 헤드‑테일 등 다섯 종류의 상호작용을 정의하고, 관계‑전용 GNN(RelGNN)을 통해 전역적인 관계 임베딩을 학습한다. 이러한 전역 관계 임베딩은 엔터티‑레벨 GNN(EntGNN)의 메시지 전달에 컨텍스트로 제공되어, 관계 수준의 고차 의존성을 엔터티 표현에 자연스럽게 주입한다. 셋째, 최종 매칭 단계에서 단순 코사인 유사도 대신 양방향 분류 목적을 갖는 학습 가능한 매칭 모듈을 도입한다. 이는 미세한 의미 차이를 포착하고, 엔터티 간 매칭을 정교하게 조정한다.

학습 과정은 두 단계로 나뉜다. (1) 사전 학습 단계에서는 소스 KG 쌍과 시드 앵커를 이용해 RelGNN과 EntGNN을 공동 최적화한다. (2) 추론 단계에서는 사전 학습된 파라미터를 고정하고, 새로운 KG에 대해 동일한 앵커‑조건부 초기화와 병렬 인코딩을 수행한다. 이때 별도의 파인튜닝이 필요 없으며, 순수 그래프 구조만으로 제로샷 전이가 가능하다.

실험에서는 FB15K‑237, DBP15K 등 여러 벤치마크에서 기존 최첨단 EA 모델들을 크게 앞서는 성능을 기록했으며, 특히 unseen KG에 대한 제로샷 전이 정확도가 현저히 높았다. Ablation 연구를 통해 앵커‑조건부 초기화, 병합 관계 그래프, 학습 가능한 매칭 모듈 각각이 성능 향상에 기여함을 확인한다. 전체적으로 이 논문은 EA에 특화된 파운데이션 모델 설계 원칙을 제시하고, “추론 지평 격차”라는 새로운 문제 정의와 그 해결책을 제공함으로써 KG 융합 연구에 중요한 전환점을 마련한다.