본 연구에서는 지식 그래프(KG) 네트워크에서의 추론을 놀라움 최소화로 유도하는 방안을 제안한다. 그래프 거리상 가까운 개체는 더 먼 개체보다 낮은 놀라움을 갖는다. 이는 신경과학의 자유 에너지 원리(FEP)를 KG 시스템에 연결하며, 여기서 KG는 에이전트의 생성 모델 역할을 한다. 방향성 그래프에서 최단 경로 거리를 사용하여 놀라움을 공식화하고, KG 기반 에이전트를 위한 프레임워크를 제공한다. 그래프 거리는 그래프 신경망에서 메시지 전달 깊이로, 모델 기반 강화 학습에서 세계 모델 궤적으로 나타난다. 본 연구는 문법이 트리 구조를 통해 놀라움과 자유 에너지를 최소화한다는 최근 연구를, 거리 기반 놀라움으로 확장할 수 있는지 탐구한다.
