# Structural Alignment in Link Prediction

### 저자

Jeffrey Seathrun Sardina

### 개요

본 논문은 지식 그래프(KGs)의 링크 예측 작업에 대한 기존의 임베딩 기반 접근 방식에 대한 대안적 관점을 제시한다.  기존의 임베딩 기반 방법들이 노드와 에지의 개별 벡터 표현에 초점을 맞추는 반면, 본 논문은 KG의 정보 내용을 전체 트리플(triple) 관점에서 모델링하는 그래프 구조 우선(graph-structure-first) 관점을 제시한다. 문헌 검토와 두 가지 핵심 실험을 통해 KG 학습에 대한 이해를 높이고 링크 예측 작업을 위한 KG 간 전이 학습을 가능하게 하는 데 있어서 구조 우선적 관점이 실행 가능하고 유용함을 보여준다.  이를 바탕으로 링크 예측을 구조적 과제로 이해하고 모델링할 수 있다는 구조적 정렬 가설(Structural Alignment Hypothesis)을 제안한다. 모든 코드와 데이터는 공개 소스로 제공되며, 영어와 아일랜드어로 작성되었다.

### 시사점, 한계점

- **시사점:**

    - 지식 그래프의 링크 예측을 위한 새로운 구조 우선적 관점 제시

    - KG 학습에 대한 이해 증진 및 KG 간 전이 학습 가능성 제시

    - 구조적 정렬 가설을 통한 링크 예측의 새로운 모델링 방식 제안

    - 모든 코드 및 데이터, 그리고 아일랜드어 기계 학습 용어 사전 공개

- **한계점:**

    - 구조적 정렬 가설의 일반화 가능성 및 한계에 대한 추가 연구 필요

    - 제안된 방법의 다양한 KG 및 링크 예측 작업에 대한 확장성 검증 필요

[PDF 보기](https://arxiv.org/pdf/2505.04939)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).