연역적 지식(deductive knowledge)은 정확한 논리적 결과로 특징지어 지지만, 귀납적 지식(inductive knowledge)는 주어진 관찰 데이터로부터 패턴을 일반화하고, 이를 바탕으로 새롭지만 잠재적으로 부정확한 예측을 생성하는 과정을 말한다.
예를 들어보자..
지리 정보와 항공편 정보를 포함하는 대규모 데이터 그래프로부터 우리는 "거의 모든 국가의 수도는 국제공항을 가지고 있다" --> 이런 패턴을 관찰 가능하다.
그리고 이런 관찰을 바탕으로, 산티아고(Santiago)가 수도라면, 국제 공항이 있을 가능성이 높다는 예측을 할 수 있다.
하지만 이런 예측이 항상 '참' 이은 아니며, 실제로 리히텐슈타인의 수도인 파두츠(Vaduz)에는 국제공항이 없다.
따라서 이러한 예측은 확률적일 수 밖에 없다.
또 다른 예를 들어보자..
수도가 국제공항을 가질 확률이 195개국 중 187개국이면, 이 패턴을 기반으로한 예측의 신뢰도(confidence)는 0.959(95.9%)라고 할 수 있다.
이처럼 귀납적으로 얻어진 지식은 패턴을 인코딩하는 모델과, 그 모델로부터 생성된 예측들 모두를 포함한다. 비록 이러한 지식이 완전히 정확하다고 말할 수는 없지만, 매우 유용할 수 있다.
지식그래프에 대해 사용되는 귀납적 기법은 크게 4가지로 구분된다.
-
Unsupervised (비지도 학습): graph analytics라는 이름으로 알려져 있고, 커뮤니티 탐색, 중심 노드/ 엣지 탐색등의 전통적인 알고리즘을 사용
-
Self-supervised (자기지도 학습): knowledge graph embeddings가 여기에 해당하는데, 그래프를 저차원의 숫자 벡터 공간에 매핑하여 각 엣지가 사실일 가능성(plausibility score)를 예측할 수 있도록 학습
-
Supervised (지도 학습): 그래프 구조를 그대로 활용하여 그래프 신경망(Graph neural network)를 학습하는데 실제 레이블(정답)이 주어진 상황에서 학습
-
Symbolic (기호기반 학습): 위의 기법들은 모두 numeric models (숫자 기반 모델)인 반면에 이 방법은 symbolic model (기호 기반 모델)을 학습
ex) 논리식, 규칙, 공리 등
--> 자기지도 학습 방식으로 작동하며, 그래프에서 규칙이나 논리적 패턴을 도출
Reference
ch.5 Knowledge graphs - Aidan hogan
