[논문 리뷰] SynergyKGC: Reconciling Topological Heterogeneity in Knowledge Graph Completion via Topology-Aware Synergy

Xuecheng Zou, Yu Tang외 1명|arXiv (Cornell University)|2026. 02. 11.

Advanced Graph Neural Networks인용 수 0

한 줄 요약

SynergyKGC는 밀도 인식 Identity Anchoring 전략과 Dynamic Synergy Expert를 통해 의미론적 신호와 위상 신호를 적응적으로 조화시키는 듀얼-타워, 지시 주도 프레임워크를 도입하여 밀집 및 희소 그래프에서 최첨단 결과를 달성한다.

ABSTRACT

Knowledge Graph Completion (KGC) fundamentally hinges on the coherent fusion of pre-trained entity semantics with heterogeneous topological structures to facilitate robust relational reasoning. However, existing paradigms encounter a critical "structural resolution mismatch," failing to reconcile divergent representational demands across varying graph densities, which precipitates structural noise interference in dense clusters and catastrophic representation collapse in sparse regions. We present SynergyKGC, an adaptive framework that advances traditional neighbor aggregation to an active Cross-Modal Synergy Expert via relation-aware cross-attention and semantic-intent-driven gating. By coupling a density-dependent Identity Anchoring strategy with a Double-tower Coherent Consistency architecture, SynergyKGC effectively reconciles topological heterogeneity while ensuring representational stability across training and inference phases. Systematic evaluations on two public benchmarks validate the superiority of our method in significantly boosting KGC hit rates, providing empirical evidence for a generalized principle of resilient information integration in non-homogeneous structured data.

연구 동기 및 목표

• 사전 학습된 엔터티 의미를 이질적인 위상 구조와 정렬하여 강건한 지식 그래프 완성을 달성한다.
• 밀도 영역에서 표현 노이즈를 방지하고 희소 영역에서 붕괴를 막기 위해 위상 이질성을 다룬다.
• 의미 의도에 따라 구조적 시그널을 능동적으로 검색하도록 지시 주도적 Synergy Expert를 제안한다.
• 훈련과 추론 간의 일관성을 확보하여 분포 변화(distribution shifts)를 완화한다.
• 빠른 수렴 속도와 함께 확장 가능한 효율성 개선을 제공 (
• 방법과 표?

제안 방법

• 1단계: 사전 학습된 언어 모델(BERT)을 의미 전문가로 사용하여 강력한 의미 매니폴드를 학습한다.
• 2단계: 관계 인식 교차 어텐션과 밀도 인식 Identity Anchoring으로 시너지 전문가를 활성화하여 구조적 맥락을 융합한다.
• 크로스 모달 어텐션: 의미 임베딩에서 쿼리를, 위상 맥락에서 키/값을 사용하여 c_syn을 생성한다.
• 의미 신호와 구조 신호를 융합하기 위한 적응 게이팅(alpha), 잔여 정규화를 통해 Phi(x)를 얻는다.
• 이중 축 일관성: 쿼리 타워와 엔티티 타워 간의 아키텍처 정렬 및 훈련-추론 전반의 수명 주기 일관성.
• 밀도 인식 Identity Anchoring: 희소 그래프에는 자기 정체성 신호를 활성화하고 밀집 그래프에는 임계값 phi를 통해 이를 약화시킨다.
• 훈련 목표: 시너지용 L_NCE, 의미 일관성을 위한 L_align, 두 단계 학습 일정과 시너지 시작 에폭 T_start를 포함한다.
• 평가 중 일관된 시너지 표현을 유지하기 위한 동적 듀얼-타워 추론.
• 초기 시너지 융합의 안정화를 위한 관계 마스킹과 게이팅 초기화.

실험 결과

연구 질문

• RQ1 SynergyKGC가 이질적인 그래프 밀도에서 잠재적 의미 매니폴드를 명시적 위상 신호와 조화시킬 수 있는가?
• RQ2 지시 주도 검색 및 밀도 인식 앵커링이 배포 중 표현 드리프트 및 분포 변화를 완화하는가?
• RQ3 듀얼-타워 일관성과 게이팅 메커니즘이 밀집 및 희소 그래프에서 KGC 성능에 어떤 영향을 미치는가?
• RQ4 제안된 방법이 FB15k-237 및 WN18RR에서 최첨단 SP/HYBRID 모델에 비해 어떤 성능을 보이는가?
• RQ5 캐치업 효과의 수렴성과 효율성 이점은 실제로 어떠한가?

주요 결과

• SynergyKGC는 FB15k-237와 WN18RR에서 최첨단 결과를 달성했으며, 희소한 WN18RR에서의 Hits@1 증가가 큰 개선을 보였다.
• WN18RR에서 SynergyKGC는 74.2% MRR, 67.7% H@1, 78.5% H@3, 85.5% H@10를 달성했다.
• FB15k-237에서 SynergyKGC는 39.9 MRR, 30.2% H@1, 43.6% H@3, 59.4% H@10를 달성했다.
• 가장 강력한 하이브리드 기준선과 비교할 때 WN18RR에서 Hits@1이 +8.0 포인트의 절대 이득을 제공했다.
• 절제 연구에서 Cross 모듈이 희소 그래프에 중요하고 Gate 모듈이 밀도 그래프에 중요하다는 것을 보여준다.
• 캐치업 효과는 의미-구조 스트림 간의 즉각적 동기화를 보여주며 빠른 수렴(에폭 10까지의 초기 고원)을 가능하게 한다.