그래프와 편집을 결합한 해석 가능한 시계열 지식 그래프 추론

초록

IGETR은 시계열 지식 그래프(TKG)에서 구조적 근거와 외부 지식을 동시에 활용해 후보 경로를 추출하고, 대형 언어 모델(LLM)로 경로를 편집·보강한 뒤 그래프 트랜스포머로 통합·점수화하는 3단계 하이브리드 프레임워크이다. 기존 GNN 기반 방법의 데이터 의존성 및 LLM 기반 방법의 환각 문제를 보완해 ICEWS 데이터셋에서 Hits@1·Hits@3을 각각 5.6%·8.1% 향상시켰다.

상세 분석

IGETR은 시계열 지식 그래프(TKG) 추론의 두 가지 핵심 한계를 동시에 해결한다. 첫 번째는 순수 GNN 기반 모델이 관측된 그래프 구조에만 의존해 새로운 관계를 추론하거나 노이즈를 교정하지 못한다는 점이다. 두 번째는 LLM이 방대한 사전 지식을 활용하지만, 동적 그래프에 대한 최신 정보를 반영하지 못하고 시간적 일관성이 결여된 ‘환각’ 경로를 생성한다는 점이다. 이를 극복하기 위해 IGETR은 (1) 시간‑감지 GNN(Temporal GNN)으로 쿼리와 시간적으로 인접한 후보 엔티티와 경로를 샘플링하고, 어텐션 메커니즘을 통해 각 경로에 점수를 부여한다. 이 단계는 구조적·시간적 일관성을 보장하는 ‘그라운드 트루스’ 역할을 한다. (2) 추출된 경로를 LLM에 전달해 ‘경로 편집’ 과정을 수행한다. 프롬프트 설계는 “점수와 외부 지식을 고려해 경로를 단계별로 수정하라”는 형태로, LLM은 논리적 모순, 시간 역전, 불필요한 엔티티 등을 식별하고 삭제·교체·추가한다. 여기서 LLM은 사전 학습된 일반 지식과 도메인‑특화 지식을 활용해 그래프에 존재하지 않더라도 합리적인 연결을 제안한다. (3) 편집된 경로 집합을 그래프 트랜스포머에 입력해 다중 홉 증거를 동적으로 가중합한다. 트랜스포머는 각 경로의 구조적 일관성, 시간 간격, LLM 편집 점수를 종합해 최종 예측 점수를 산출한다. 이 설계는 (i) GNN이 제공하는 데이터‑기반 신뢰성, (ii) LLM이 제공하는 의미‑기반 보완, (iii) 트랜스포머가 제공하는 통합·해석 가능성을 동시에 확보한다. 실험 결과는 ICEWS18, ICEWS14, ICEWS05‑15 세 가지 벤치마크에서 기존 최첨단 모델(xERTE, CaORG, RPC 등)을 능가함을 보여준다. 특히 Hits@1에서 평균 5.6%, Hits@3에서 평균 8.1%의 상대적 향상이 관찰되었으며, Ablation Study를 통해 (a) GNN‑기반 후보 추출, (b) LLM 편집, (c) 트랜스포머 통합 각각이 성능에 기여함을 확인했다. 추가 분석에서는 편집 단계에서 LLM이 시간 역전 오류를 73% 이상 감소시켰고, 경로 길이와 정확도 사이의 트레이드오프를 효과적으로 조절함을 보여준다. 전반적으로 IGETR은 구조적 근거와 외부 지식의 상호 보완을 통해 ‘신뢰할 수 있는 설명 가능한 추론’을 구현한 최초의 프레임워크라 할 수 있다.