본 논문은 기존 지식 그래프 추론 방법들의 I.I.D 가정에 대한 의존성이 훈련 중 알려지지 않은 표본 선택 편향이나 테스트 중 분포 변화로 인해 성능 저하 및 신뢰성 문제를 야기한다는 점을 지적합니다. 이를 해결하기 위해 알려지지 않은 선택 편향이 있는 지식 그래프에서 논리 규칙을 학습하는 방법을 연구하고, 분포 외(out-of-distribution, OOD) 지식 그래프 추론이라는 새로운 문제를 정의합니다. 본 논문에서는 특징 상관 제거와 규칙 학습 네트워크를 통합한 StableRule 프레임워크를 제안하여 OOD 상황에서의 일반화 성능을 향상시킵니다. 7개의 벤치마크 지식 그래프에 대한 실험을 통해 다양한 환경에서 StableRule의 우수성과 안정성을 보여줍니다.
시사점, 한계점
•
시사점:
◦
알려지지 않은 선택 편향 및 분포 변화 문제를 가진 지식 그래프 추론 문제를 공식적으로 정의하고 해결 방안을 제시함.
◦
특징 상관 제거를 활용하여 OOD 일반화 성능을 향상시키는 StableRule 프레임워크 제안.