멀티 홉 추론을 위한 혼합 정책 기반의 N-튜플 시간 지식 그래프: MT-Path의 등장

중국 과학원 연구팀이 개발한 MT-Path는 시간 지식 그래프(TKG)에서의 추론 문제에 대한 강화학습 기반의 새로운 해결책을 제시합니다. 시간 정보 활용과 혼합 정책 기반 행동 선택기를 통해 설명 가능한 추론 경로를 생성하며, 보조 요소 인식 GCN을 통해 더욱 정확한 이해를 가능하게 합니다. 실험 결과는 MT-Path의 효과성과 설명 가능성을 입증합니다.

시간의 흐름을 따라가는 AI 추론: MT-Path의 혁신적인 접근

시간 지식 그래프(TKG)는 (주어, 술어, 목적어, 시간) 형태의 4튜플을 사용하여 시간적 사실을 설명하는 기술로 주목받고 있습니다. 하지만, 최근 등장한 N-튜플 TKG (N-TKG)는 기존 TKG보다 더욱 세밀한 정보 표현을 위해 핵심 요소(주어, 술어, 목적어) 외에도 보조 요소를 포함하는 n-튜플을 사용합니다. 이러한 N-TKG에서의 추론은 과거 사실을 바탕으로 미래의 잠재적 사실을 예측하는 것을 목표로 합니다.

하지만 기존의 N-TKG 추론 방법들은 블랙박스와 같아 설명력이 부족하다는 한계가 있었습니다. 중국 과학원 연구팀(Hou Zhongni 외)은 이 문제를 해결하기 위해 강화학습 기반의 새로운 방법, MT-Path를 제시했습니다. MT-Path는 시간 정보를 활용하여 과거 n-튜플을 탐색하고, 시간적 추론 경로를 구성하는 혁신적인 접근 방식을 취합니다.

MT-Path의 핵심은 혼합 정책 기반 행동 선택기입니다. 이 선택기는 술어 중심 정책, 핵심 요소 중심 정책, 전체 사실 중심 정책 등 세 가지 하위 정책을 기반으로 n-튜플 내 다양한 정보(술어, 핵심 요소, 전체 n-튜플 정보)를 통합합니다. 여기에 더하여, 보조 요소 인식 GCN(Graph Convolutional Network) 을 활용하여 사실들 간의 복잡한 의미적 관계를 포착함으로써, 에이전트가 각 n-튜플을 더욱 깊이 있게 이해하도록 돕습니다.

연구팀은 실험 결과를 통해 MT-Path의 효과성과 설명 가능성을 입증했습니다. 이는 단순히 예측 결과만을 제시하는 것이 아니라, 그 이유를 명확하게 설명할 수 있다는 것을 의미합니다. MT-Path는 N-TKG 추론 분야의 새로운 지평을 열고, AI의 설명 가능성을 높이는 중요한 발걸음이 될 것으로 기대됩니다. 향후 연구는 다양한 유형의 N-TKG 및 복잡한 시간적 패턴에 대한 MT-Path의 적용성을 확장하는 데 초점을 맞출 것으로 예상됩니다.