본 논문은 지식 그래프 상에서의 귀납적 추론의 실용성을 높이기 위해, 제어 가능한 가설 생성이라는 새로운 과제를 제시합니다. 기존의 귀납적 추론은 관찰된 개체로부터 여러 개의 타당하지만 중복되거나 무관한 가설을 생성하는 한계를 가지는데, 본 논문에서는 이를 해결하기 위해 제어 가능한 가설 생성 프레임워크인 CtrlHGen을 제안합니다. CtrlHGen은 지도 학습과 강화 학습의 두 단계로 학습되며, 가설 공간 붕괴 문제는 하위 논리적 분해를 기반으로 한 데이터 증강 전략을 통해, 가설 과민성 문제는 Dice 및 Overlap 점수를 포함한 부드러운 의미론적 보상과 조건 준수 보상을 통해 해결합니다. 세 개의 벤치마크 데이터셋에 대한 실험 결과, CtrlHGen은 기존 방법보다 제어 조건을 더 잘 준수하고 의미론적 유사성 성능도 우수함을 보여줍니다.
시사점, 한계점
•
시사점:
◦
지식 그래프 상에서의 귀납적 추론의 실용성을 향상시키는 제어 가능한 가설 생성 프레임워크인 CtrlHGen을 제시.
◦
가설 공간 붕괴 및 가설 과민성 문제에 대한 효과적인 해결 방안 제시.
◦
하위 논리적 분해 기반 데이터 증강 및 부드러운 의미론적 보상, 조건 준수 보상을 통한 성능 향상.
