지식 그래프(Knowledge Graph) 추론에 필요한 규칙을 확산 모델(Diffusion Model)을 이용해 자동으로 생성하는 연구가 arXiv에 게재됐다. 지식 그래프는 실체 간의 관계를 그래프 구조로 표현한 데이터베이스로, 검색 엔진, 추천 시스템, 의료 정보 연계 등 다양한 응용에 활용된다. 이 그래프에서 새로운 지식을 추론하거나 누락된 사실을 보완하려면 관계 패턴을 포착하는 논리 규칙이 필요하지만, 규칙을 수동으로 작성하거나 기존 방법으로 추출하는 데는 상당한 비용이 따른다. 연구팀은 이 문제에 생성 AI 기법인 확산 모델을 적용해 그래프 구조의 규칙을 직접 생성하는 새로운 접근을 시도했다.
연구팀이 제안한 방법은 기존의 경로 기반 규칙 탐색이나 귀납적 논리 프로그래밍 대신, 확산 모델이 지식 그래프의 구조적 패턴을 학습하고 이로부터 다양한 형태의 규칙을 생성하도록 한다. 생성된 규칙은 선형 체인 형태를 넘어 분기와 합류를 포함하는 복잡한 그래프 구조를 가질 수 있으며, 이를 통해 실제 지식 그래프에서 발생하는 다중 홉(multi-hop) 추론 패턴을 더 정밀하게 포착한다. 연구팀은 표준 지식 그래프 추론 벤치마크에서 제안 방법이 기존의 규칙 기반 및 임베딩 기반 방법과 비교해 경쟁력 있는 성능을 보임을 실험으로 확인했다.
이 연구는 생성 AI 모델의 적용 범위가 텍스트나 이미지를 넘어 구조화된 지식 표현으로 확장되는 흐름을 보여준다. 특히 설명 가능한 AI(XAI) 관점에서 명시적인 규칙 형태로 추론 근거를 제공할 수 있다는 점이 강점이다. 블랙박스 방식의 신경망 임베딩 모델과 달리, 생성된 규칙은 도메인 전문가가 검토하고 검증할 수 있는 형태를 갖춘다. 다만 복잡한 그래프 구조의 규칙 생성에는 높은 계산 비용이 따를 수 있고, 지식 그래프의 오류나 불완전성이 생성 규칙의 품질에 영향을 준다는 한계도 존재한다.
국내 기업과 연구기관에서 지식 그래프 기반 시스템을 구축하거나 확장하는 경우, 이 연구의 방법론은 규칙 구축 비용을 줄이는 데 기여할 수 있다. 의료, 법률, 금융 등 도메인 지식을 체계화해 AI 시스템에 활용하려는 분야에서 지식 그래프 추론의 자동화는 실용적 가치가 크다. 특히 대규모 의료 온톨로지나 법령 지식베이스 구축 프로젝트에서 자동 규칙 생성 기법을 접목하는 연구 방향이 기대된다.
