[논문 리뷰] Towards Foundation Models for Knowledge Graph Reasoning

Mikhail Galkin, Xinyu Yuan외 3명|arXiv (Cornell University)|2023. 10. 06.

Advanced Graph Neural Networks인용 수 9

한 줄 요약

Ultra는 제로샷 일반화를 가능하게 하는 보편적이고 전이 가능한 KG 표현을 학습한다. 이는 임의의 엔터티 및 관계 어휘를 가진 보이지 않는 그래프에 대한 일반화를 가능하게 한다; 몇 개의 그래프에서 사전 학습한 뒤 파인튜닝하면 그래프 특정 기초선보다 강한 이점을 얻는다.

ABSTRACT

Foundation models in language and vision have the ability to run inference on any textual and visual inputs thanks to the transferable representations such as a vocabulary of tokens in language. Knowledge graphs (KGs) have different entity and relation vocabularies that generally do not overlap. The key challenge of designing foundation models on KGs is to learn such transferable representations that enable inference on any graph with arbitrary entity and relation vocabularies. In this work, we make a step towards such foundation models and present ULTRA, an approach for learning universal and transferable graph representations. ULTRA builds relational representations as a function conditioned on their interactions. Such a conditioning strategy allows a pre-trained ULTRA model to inductively generalize to any unseen KG with any relation vocabulary and to be fine-tuned on any graph. Conducting link prediction experiments on 57 different KGs, we find that the zero-shot inductive inference performance of a single pre-trained ULTRA model on unseen graphs of various sizes is often on par or better than strong baselines trained on specific graphs. Fine-tuning further boosts the performance.

연구 동기 및 목표

• 동기: 서로 다른 어휘를 가진 지식 그래프들 간의 전이 학습을 가능하게 한다.
• 목표: 보지 않은 엔터티 및 관계에 일반화되는 불변의 관계 구조 표현을 학습한다.
• 목적: 다운스트림 그래프에서 사전 학습 및 파인튜닝이 가능한 파운데이션 모델형 KG 추론 시스템을 구축한다.
• 다양한 KG 데이터 세트에 걸쳐 제로샷 전송 및 파인튜닝의 이점을 입증한다.

제안 방법

• 임의의 KG에서 네 가지 기본 상호작용을 포착하기 위해 관계 그래프를 구성한다: tail-to-head, head-to-head, head-to-tail, tail-to-tail.
• 쿼리 관계에 조건부로 라벨링 기법을 적용한 관계 그래프를 이용해 조건부 상대 관계 표현을 학습한다.
• 이 조건부 관계 표현을 원래 그래프의 유도적 연결 예측기에 입력으로 사용하여 KG 완성을 수행한다.
• 다수의 KG에서 Ultra를 사전 학습해 이전 가능 관계 불변성을 포착하고; 대상 그래프에서 파인튜닝하여 성능을 향상시킨다.
• 매개변수화는 그래프 특유의 엔티티/관계 임베딩 및 입력 특징을 피하도록 하여 제로샷 일반화를 가능하게 한다.

실험 결과

연구 질문

• RQ1 단일 사전 학습된 Ultra 모델이 임의의 관계 어휘를 가진 보이지 않는 KG에 귀납적으로 일반화할 수 있는가(제로샷)?
• RQ2 제로샷 전송 후 대상 그래프에서 Ultra를 파인튜닝함으로써 어떤 이득이 얻어지는가?
• RQ3 사전 학습된 Ultra가 각 대상 그래프에서 처음부터 학습된 모델과 어떻게 비교되는가?
• RQ4 사전 학습 그래프의 혼합 비율을 늘리면 제로샷 전송 성능이 향상되는가?

주요 결과

• 제로샷 Ultra는 특정 그래프에서 학습된 강력한 기초선과 종종 동등하거나 이를 능가하며, 특히 더 작은 유도 그래프에서 그렇다.
• Fine-tuning Ultra provides additional performance gains beyond zero-shot results.
• On average, Ultra outperforms supervised baselines in zero-shot scenarios by 15%.
• Fine-tuning yields about a 10% relative improvement on average across evaluated graphs.
• Ultra demonstrates transfer to 50+ KG benchmarks (1k–120k nodes; 5k–1M edges) with competitive results.