하이퍼볼릭 신경 기호 논리 질의 응답 모델 HYQNET

본 논문은 지식 그래프(KG) 상에서 복합적인 1차 논리(FOL) 질의를 효율적으로 해결하기 위한 새로운 신경‑기호 모델 HYQNET을 제안한다. 기존 연구는 신경망 기반 임베딩이 일반화에 강점이 있지만 해석 가능성이 낮고, 기호 기반 방법은 해석 가능하지만 KG의 불완전성에 취약하다는 문제점을 지적한다. HYQNET은 이러한 두 접근법의 장점을 결합하면서, 특히 논리 질의가 갖는 계층적 구조를 제대로 반영하지 못하는 기존 신경‑기호 모델의 한계를 극복한다. 핵심 설계는 질의를 관계 투사와 논리 연산(∧, ∨, ¬)의 순차적 조합으로 분해하고, 관계 투사를 하이퍼볼릭 그래프 신경망(Hyperbolic GNN)으로 구현한다는 점이다. 하이퍼볼릭 공간은 트리‑형 계층 구조를 자연스럽게 표현할 수 있는 기하학적 특성을 가지고 있다. 논문은 Poincaré ball 모델을 채택하고, 각 레이어마다 학습 가능한 곡률 파라미터를 도입해 데이터에 최적화된 기하학을 자동으로 찾는다. 이는 Euclidean 임베딩(곡률 → 0)을 포함하는 일반화된 형태이며, 모델이 보다 풍부한 구조를 학습하도록 만든다. 관계 투사 과정은 입력 퍼지 집합(헤드 엔티티에 대한 확률 벡터)과 관계 라벨을 받아, 하이퍼볼릭 GNN을 T번 전파한다. 각 전파 단계에서는 로그 맵을 통해 접공간으로 변환하고, 선형 변환·비선형 활성화 후 지수 맵을 이용해 다시 하이퍼볼릭 매니폴드로 복귀한다. 최종 레이어의 임베딩은 다층 퍼셉트론(MLP)과 시그모이드 함수를 거쳐 타일 엔티티에 대한 퍼지 집합을 출력한다. 논리 연산은 제품 퍼지 논리(product fuzzy logic)를 사용한다. 구체적으로, ∧는 원소별 곱, ∨는 x + y – x⊙y, ¬는 1 – x 로 정의된다. 이러한 연산은 결합법칙·교환법칙·비모순성을 만족해, 연산 체인에서 발생할 수 있는 논리적 오류를 최소화한다. 학습은 바이너리 교차 엔트로피 손실을 최소화하는 방식으로 진행된다. 질의 Q에 대한 정답 집합 A_Q 와 전체 엔티티 집합 V \ A_Q 를 각각 양성·음성 샘플로 사용해, 모델이 정답을 높은 확률로, 비정답을 낮은 확률로 예측하도록 유도한다. 하이퍼볼릭 GNN의 파라미터, 곡률, MLP 가 동시에 학습되며, 관계 투사와 논리 연산이 공동 최적화된다. 실험은 FB15k, FB15k‑237, NELL995 세 벤치마크 KG에 대해 수행되었다. 각 데이터셋에서 BetaE가 제공한 9가지 EPFO 질의와 부정을 포함한 5가지 변형을 사용했으며, 10가지 훈련 질의 유형(1p, 2p, 3p, 2i, 3i, 2in, 3in, inp, pni, pin)과 4가지 미보인 질의 유형(ip, pi, 2u, up) 모두에 대해 MRR과 HITS@1을 평가했다. 결과는 HYQNET이 기존 GNN‑QE와 비교해 평균 MRR에서 0.5~1.0%p 상승했으며, 특히 복합 질의(2i, 3i, pni 등)와 부정이 포함된 질의에서 두드러진 개선을 보였다. 곡률을 0으로 고정한 Euclidean 변형은 HYQNET의 특수 경우에 해당함을 정리와 실험을 통해 증명하였다. 논문의 주요 기여는 다음과 같다. (1) 하이퍼볼릭 임베딩과 학습 가능한 곡률을 도입해 논리 질의의 계층적 구조를 효과적으로 포착한다. (2) 관계 투사를 하이퍼볼릭 GNN으로 구현해 KG의 불완전성을 보완한다. (3) 제품 퍼지 논리 연산을 명시적으로 사용해 해석 가능성을 유지한다. (4) 세 가지 표준 KG에서 최첨단 성능을 달성한다. 한계점으로는 현재 Poincaré ball 모델에 국한돼 있어 다른 비유클리드 모델(예: 로렌츠 모델)이나 동적 곡률 변화를 탐색할 여지가 있다. 또한, 대규모 KG에서 곡률 학습이 추가적인 계산 비용을 초래할 수 있다. 향후 연구에서는 보다 효율적인 곡률 최적화 기법과 다양한 비유클리드 모델을 결합해 확장성을 높이는 방향을 제시한다.