NeuroSymActive: 능동적 탐색을 활용한 미분 가능한 신경-기호 추론을 통한 지식 그래프 질의 응답

NeuroSymActive: Differentiable Neural-Symbolic Reasoning with Active Exploration for Knowledge Graph Question Answering

대규모 사전 학습 언어 모델 및 신경망 추론 시스템은 많은 자연어 처리 작업에서 상당한 발전을 이루었지만, 정확하고 구조화된 다중 홉 추론이 필요한 지식 기반 질의에는 여전히 어려움을 겪습니다. 지식 그래프는 사실 기반을 위한 간결한 기호적 기반을 제공하지만, 그래프 구조를 신경망 모델과 통합하는 것은 쉽지 않습니다. 그래프 사실을 단순히 프롬프트에 포함하는 방식은 비효율적이고 불안정하며, 순수하게 기호적 또는 검색 기반 접근 방식은 검색 과정에서 비용이 많이 들고, 기울기 기반 개선이 어렵습니다. 본 논문에서는 지식 그래프 질의 응답을 위한 미분 가능한 신경-기호 추론 계층과 능동적이고 가치 기반 탐색 제어기를 결합한 모듈형 프레임워크인 NeuroSymActive를 소개합니다. 제안하는 방법은 소프트-통합 스타일의 기호 모듈, 신경망 경로 평가기, 그리고 높은 가치를 가진 경로 확장을 우선시하는 몬테카를로 스타일 탐색 정책을 결합합니다. 표준 KGQA 벤치마크에서의 실험 결과는 NeuroSymActive가 일반적인 검색 기반 모델보다 더 적은 그래프 조회 및 모델 호출로 높은 답변 정확도를 달성함을 보여줍니다.

Large pretrained language models and neural reasoning systems have advanced many natural language tasks, yet they remain challenged by knowledge-intensive queries that require precise, structured multi-hop inference. Knowledge graphs provide a compact symbolic substrate for factual grounding, but integrating graph structure with neural models is nontrivial: naively embedding graph facts into prompts leads to inefficiency and fragility, while purely symbolic or search-heavy approaches can be costly in retrievals and lack gradient-based refinement. We introduce NeuroSymActive, a modular framework that combines a differentiable neural-symbolic reasoning layer with an active, value-guided exploration controller for Knowledge Graph Question Answering. The method couples soft-unification style symbolic modules with a neural path evaluator and a Monte-Carlo style exploration policy that prioritizes high-value path expansions. Empirical results on standard KGQA benchmarks show that NeuroSymActive attains strong answer accuracy while reducing the number of expensive graph lookups and model calls compared to common retrieval-augmented baselines.