새로운 개체(Emerging Entities)를 포함하는 시계열 지식 그래프(Temporal Knowledge Graphs)를 위한 귀납적 추론

Inductive Reasoning for Temporal Knowledge Graphs with Emerging Entities

시계열 지식 그래프(TKGs)에 대한 추론은 미래 사건 예측 및 시간 정보를 포함하는 사실 추론에 필수적입니다. 기존 방법들은 관계 동역학을 효과적으로 파악하지만, 훈련 데이터에 존재하지 않는 새로운 개체(emerging entities)를 고려하지 못하는 '닫힌 세상 가정(closed-world assumption)'으로 인해 성능이 제한됩니다. 특히, 이러한 개체들은 과거 상호작용 기록 없이 지속적으로 네트워크에 추가됩니다. 실험 결과, TKG에서 새로운 개체가 약 25%에 달하며, 이들의 과거 상호작용 기록 부족은 추론 작업의 성능 저하를 야기합니다. 반면, 의미적으로 유사한 개체들은 종종 유사한 상호작용 기록을 보이는 경향이 있으며, 이는 전이 가능한 시간적 패턴의 존재를 시사합니다. 이러한 통찰력을 바탕으로, 본 논문에서는 의미적으로 유사한 기존 개체로부터 얻은 과거 상호작용 시퀀스를 활용하여 귀납적 추론을 지원하는 새로운 프레임워크인 TransFIR (Transferable Inductive Reasoning)를 제안합니다. 구체적으로, TransFIR는 새로운 개체를 잠재적인 의미 클러스터로 분류하는 코드북 기반 분류기를 사용하여, 유사한 개체로부터 추론 패턴을 채택하도록 합니다. 실험 결과, TransFIR는 다양한 데이터셋에서 새로운 개체에 대한 추론 성능에서 기존 방법들을 능가하며, 평균적으로 Mean Reciprocal Rank (MRR)에서 28.6%의 성능 향상을 보였습니다. 구현 코드는 https://github.com/zhaodazhuang2333/TransFIR 에서 확인할 수 있습니다.

Reasoning on Temporal Knowledge Graphs (TKGs) is essential for predicting future events and time-aware facts. While existing methods are effective at capturing relational dynamics, their performance is limited by a closed-world assumption, which fails to account for emerging entities not present in the training. Notably, these entities continuously join the network without historical interactions. Empirical study reveals that emerging entities are widespread in TKGs, comprising roughly 25\% of all entities. The absence of historical interactions of these entities leads to significant performance degradation in reasoning tasks. Whereas, we observe that entities with semantic similarities often exhibit comparable interaction histories, suggesting the presence of transferable temporal patterns. Inspired by this insight, we propose TransFIR (Transferable Inductive Reasoning), a novel framework that leverages historical interaction sequences from semantically similar known entities to support inductive reasoning. Specifically, we propose a codebook-based classifier that categorizes emerging entities into latent semantic clusters, allowing them to adopt reasoning patterns from similar entities. Experimental results demonstrate that TransFIR outperforms all baselines in reasoning on emerging entities, achieving an average improvement of 28.6% in Mean Reciprocal Rank (MRR) across multiple datasets. The implementations are available at https://github.com/zhaodazhuang2333/TransFIR.