본문으로 건너뛰기

참고문헌

📍 현재 위치: 이 권 전체의 근거를 한곳에 모았습니다.

각 장에서 [1]처럼 등장하는 모든 인라인 표시는 이곳으로 연결됩니다. 참고문헌은 장별로 묶여 있으며, 번호는 각 장마다 독립적입니다 — 각 장의 목록은 [1]부터 다시 시작하므로, 먼저 장 제목을 찾은 다음 번호를 찾으십시오. 인용은 본문에 [k] 형태로 나타나며, 여기서 프래그먼트(fragment)는 장을 가리키고 k는 그 장의 목록 안에서 항목 번호입니다. 각 항목은 저자, 제목, 게재지, 연도를 밝히고, 무엇을 뒷받침하는지 주석을 달며, 대괄호로 묶인 근거 등급 태그로 마무리합니다.

링크 예측: 그래프 완성하기​

  1. Nickel, M., Murphy, K., Tresp, V., and Gabrilovich, E. "A Review of Relational Machine Learning for Knowledge Graphs." Proceedings of the IEEE, 2016. — 지식 그래프 완성에 관한 표준적인 개관. [근거 등급: 동료 심사]
  2. Bordes, A., Usunier, N., Garcia-Durán, A., Weston, J., and Yakhnenko, O. "Translating Embeddings for Modeling Multi-relational Data." NeurIPS, 2013. — TransE 논문으로, 여기서 쓰는 순위화 프로토콜을 도입했다. [근거 등급: 동료 심사]
  3. Dettmers, T., Minervini, P., Stenetorp, P., and Riedel, S. "Convolutional 2D Knowledge Graph Embeddings." AAAI, 2018. — WN18의 역관계 누출을 제거하여 WN18RR 벤치마크를 도입했으며, 본문에서 인용한 벤치마크 규모의 출처이다. [근거 등급: 동료 심사]
  4. Toutanova, K., and Chen, D. "Observed versus Latent Features for Knowledge Base and Text Inference." Workshop on Continuous Vector Space Models and their Compositionality, 2015. — 역관계를 통한 시험 데이터 누출 문제, 그리고 필터링된 평가와 신중한 데이터 분할이 중요한 이유. [근거 등급: 동료 심사]
  5. Ruffinelli, D., Broscheit, S., and Gemulla, R. "You CAN Teach an Old Dog New Tricks! On Training Knowledge Graph Embeddings." ICLR, 2020. — 평가 방법론과 학습 프로토콜이 갖는 과도한 영향력. [근거 등급: 동료 심사]

이동 모델: TransE와 그 계열​

  1. Bordes, A., Usunier, N., Garcia-Durán, A., Weston, J., and Yakhnenko, O. "Translating Embeddings for Modeling Multi-relational Data." NeurIPS, 2013. — TransE: 관계를 이동(translation)으로 보는 모델과 마진 순위 손실. [근거 등급: 동료 심사]
  2. Wang, Z., Zhang, J., Feng, J., and Chen, Z. "Knowledge Graph Embedding by Translating on Hyperplanes." AAAI, 2014. — TransH: 일대다 관계를 위한 관계별 초평면 투영. [근거 등급: 동료 심사]
  3. Lin, Y., Liu, Z., Sun, M., Liu, Y., and Zhu, X. "Learning Entity and Relation Embeddings for Knowledge Graph Completion." AAAI, 2015. — TransR: 개체 공간과 관계 공간을 분리. [근거 등급: 동료 심사]
  4. Sun, Z., Deng, Z.-H., Nie, J.-Y., and Tang, J. "RotatE: Knowledge Graph Embedding by Relational Rotation in Complex Space." ICLR, 2019. — 관계를 회전으로 보는 모델과 관계 패턴 분석(대칭성, 반대칭성, 합성). [근거 등급: 동료 심사]

쌍선형 모델: DistMult와 ComplEx​

  1. Nickel, M., Tresp, V., and Kriegel, H.-P. "A Three-Way Model for Collective Learning on Multi-Relational Data." ICML, 2011. — RESCAL: 완전한 쌍선형 텐서 분해. [근거 등급: 동료 심사]
  2. Yang, B., Yih, W., He, X., Gao, J., and Deng, L. "Embedding Entities and Relations for Learning and Inference in Knowledge Bases." ICLR, 2015. — DistMult: 대각 쌍선형 모델. [근거 등급: 동료 심사]
  3. Trouillon, T., Welbl, J., Riedel, S., Gaussier, É., and Bouchard, G. "Complex Embeddings for Simple Link Prediction." ICML, 2016. — ComplEx: 켤레 꼬리를 갖는 복소수 값 임베딩과 단일 관계에 대한 표현력 결과. [근거 등급: 동료 심사]
  4. Trouillon, T., Dance, C. R., Gaussier, É., Welbl, J., Riedel, S., and Bouchard, G. "Knowledge Graph Completion via Complex Tensor Factorization." JMLR, 2017. — ComplEx의 다중 관계 완전 표현력 정리를 임베딩 차원의 명시적 상한과 함께 증명한 확장 논문으로, 본문의 용량 보장의 출처. [근거 등급: 동료 심사]
  5. Kazemi, S. M., and Poole, D. "SimplE Embedding for Link Prediction in Knowledge Graphs." NeurIPS, 2018. — 또 다른 완전 표현력을 갖는 쌍선형 보완 모델로, 설계 공간의 맥락을 제공. [근거 등급: 동료 심사]

공과 원뿔: 영역으로서의 개념​

  1. Erk, K. "Representing Words as Regions in Vector Space." CoNLL, 2009. — 어휘 의미론에서 점 대신 영역을 쓰자는 초기의 주장. [근거 등급: 동료 심사]
  2. Vendrov, I., Kiros, R., Fidler, S., and Urtasun, R. "Order-Embeddings of Images and Language." ICLR, 2016. — 함의(entailment)를 역방향 곱 순서(원뿔)로 읽는 방식. [근거 등급: 동료 심사]
  3. Ganea, O.-E., Bécigneul, G., and Hofmann, T. "Hyperbolic Entailment Cones for Learning Hierarchical Embeddings." ICML, 2018. — 함의 원뿔: is-a를 위한 측지적으로 볼록한 영역. [근거 등급: 동료 심사]
  4. Vilnis, L., and McCallum, A. "Word Representations via Gaussian Embedding." ICLR, 2015. — 영역으로서의 밀도, KL 발산을 통한 비대칭 함의. [근거 등급: 동료 심사]

박스 임베딩: Query2Box 기하​

  1. Ren, H., Hu, W., and Leskovec, J. "Query2box: Reasoning over Knowledge Graphs in Vector Space Using Box Embeddings." ICLR, 2020. — 이 장이 재구현하는 박스 질의 계산법. [근거 등급: 동료 심사]
  2. Hamilton, W. L., Bajaj, P., Zitnik, M., Jurafsky, D., and Leskovec, J. "Embedding Logical Queries on Knowledge Graphs." NeurIPS, 2018. — GQE: 최초의 종단간(end-to-end) 임베딩 논리곱 질의. [근거 등급: 동료 심사]
  3. Arakelyan, E., Daza, D., Minervini, P., and Cochez, M. "Complex Query Answering with Neural Link Predictors." ICLR, 2021. — CQD: 1-홉 예측기의 퍼지 합성을 통해 같은 질의에 답하는 방법으로, 주된 대안 패러다임. [근거 등급: 동료 심사]
  4. Vilnis, L., Li, X., Murty, S., and McCallum, A. "Probabilistic Embedding of Knowledge Graphs with Box Lattice Measures." ACL, 2018. — 확률적 격자로서의 박스: 박스 계산법의 측도론적 측면. [근거 등급: 동료 심사]

베타·확률 임베딩: 밀도로 사는 부정​

  1. Ren, H., and Leskovec, J. "Beta Embeddings for Multi-Hop Logical Reasoning in Knowledge Graphs." NeurIPS, 2020. — BetaE: 닫힌 형식의 부정을 갖는 확률적 임베딩. [근거 등급: 동료 심사]
  2. Ren, H., Galkin, M., Cochez, M., Zhu, Z., and Leskovec, J. "Neural Graph Reasoning: Complex Logical Query Answering Meets Graph Databases." arXiv:2303.14617, 2023. — 이 질의 임베딩 지형 전체를 지도로 그린 개관 논문. [근거 등급: 프리프린트]
  3. Zhang, Z., Wang, J., Chen, J., Ji, S., and Wu, F. "ConE: Cone Embeddings for Multi-Hop Reasoning over Knowledge Graphs." NeurIPS, 2021. — 부정을 다룰 수 있는 또 다른 기하(원뿔)로, 설계 공간의 맥락을 제공. [근거 등급: 동료 심사]
  4. Chen, X., Hu, Z., and Sun, Y. "Fuzzy Logic Based Logical Query Answering on Knowledge Graphs." AAAI, 2022. — FuzzQE: 질의 대수로서의 t-노름 퍼지 논리로, 밀도 기반 접근에 대한 퍼지식 대안. [근거 등급: 동료 심사]
  5. Arakelyan, E., Daza, D., Minervini, P., and Cochez, M. "Complex Query Answering with Neural Link Predictors." ICLR, 2021. — CQD(연속 질의 분해): 사전 학습된 1-홉 예측기의 퍼지 합성으로 복합 질의에 답하는 방법으로, 컴패니언 코드가 따르는 점수 수준 합성 방식. [근거 등급: 동료 심사]

박스 대 공: 표현력 이야기​

  1. Ren, H., Hu, W., and Leskovec, J. "Query2box: Reasoning over Knowledge Graphs in Vector Space Using Box Embeddings." ICLR, 2020. — 박스를 쓰는 이유: 논리곱 질의에 대한 교집합 폐포. [근거 등급: 동료 심사]
  2. Vilnis, L., Li, X., Murty, S., and McCallum, A. "Probabilistic Embedding of Knowledge Graphs with Box Lattice Measures." ACL, 2018. — 박스 격자: 격자의 만남(meet) 연산으로서의 교집합. [근거 등급: 동료 심사]
  3. Xiong, B., Potyka, N., Tran, T.-K., Nayyeri, M., and Staab, S. "Faithful Embeddings for EL++ Knowledge Bases." ISWC, 2022. — BoxEL: 온톨로지 임베딩(다음 부의 주제)까지 이어지는 폐포 논증. [근거 등급: 동료 심사]
  4. Abboud, R., Ceylan, İ. İ., Lukasiewicz, T., and Salvatori, T. "BoxE: A Box Embedding Model for Knowledge Base Completion." NeurIPS, 2020. — 사실과 규칙을 위한 박스 계산법과 표현력 분석. [근거 등급: 동료 심사]

EL 임베딩: 기하와 논리의 만남​

  1. Kulmanov, M., Liu-Wei, W., Yan, Y., and Hoehndorf, R. "EL Embeddings: Geometric Construction of Models for the Description Logic EL++." IJCAI, 2019. — ELEm: 이 장이 재구현하는, 공(ball) 위의 정규형 손실. [근거 등급: 동료 심사]
  2. Baader, F., Brandt, S., and Lutz, C. "Pushing the EL Envelope." IJCAI, 2005. — 손실 함수가 겨냥하는 EL++ 논리와 정규형(2권의 토대). [근거 등급: 동료 심사]
  3. Smaili, F. Z., Gao, X., and Hoehndorf, R. "Onto2Vec: Joint Vector-Based Representation of Biological Entities and Their Ontology-Based Annotations." Bioinformatics, 2018. — 기하 이전 단계의 기준선: 임베딩을 위한 텍스트로서의 온톨로지, ELEm이 개선한 지점. [근거 등급: 동료 심사]
  4. Chen, J., Hu, P., Jiménez-Ruiz, E., Holter, O. M., Antonyrajah, D., and Horrocks, I. "OWL2Vec*: Embedding of OWL Ontologies." Machine Learning, 2021. — OWL 온톨로지 전체를 위한 무작위 보행(random-walk) 방식의 대안. [근거 등급: 동료 심사]
  5. Xiong, B., Potyka, N., Tran, T.-K., Nayyeri, M., and Staab, S. "Faithful Embeddings for EL++ Knowledge Bases." ISWC, 2022. — BoxEL: GALEN, Gene Ontology, 해부학 온톨로지에 대한 포섭 예측 평가에서 공 기준선의 성능 저하를 보고한 후속 모델. [근거 등급: 동료 심사]
  6. Jackermeier, M., Chen, J., and Horrocks, I. "Dual Box Embeddings for the Description Logic EL++." WWW, 2024. — Box²EL: 같은 GALEN / Gene Ontology / 해부학 포섭 벤치마크, 역시 ELEm 공 모델을 더 약한 기준선으로 사용. [근거 등급: 동료 심사]

BoxEL과 Box²EL: 충실한 온톨로지 임베딩​

  1. Kulmanov, M., Liu-Wei, W., Yan, Y., and Hoehndorf, R. "EL Embeddings: Geometric Construction of Models for the Description Logic EL++." IJCAI, 2019. — 비교 대상이 되는 공(ball) 기준선. [근거 등급: 동료 심사]
  2. Xiong, B., Potyka, N., Tran, T.-K., Nayyeri, M., and Staab, S. "Faithful Embeddings for EL++ Knowledge Bases." ISWC, 2022. — BoxEL: EL++를 위한 부피 기반 의미론을 갖춘 박스. [근거 등급: 동료 심사]
  3. Peng, X., Tang, Z., Kulmanov, M., Niu, K., and Hoehndorf, R. "Description Logic EL++ Embeddings with Intersectional Closure." arXiv:2202.14018, 2022. — ELBE: 교집합 폐포를 위해 명시적으로 선택된 박스. [근거 등급: 프리프린트]
  4. Jackermeier, M., Chen, J., and Horrocks, I. "Dual Box Embeddings for the Description Logic EL++." WWW, 2024. — Box²EL: 범프 벡터를 갖는 개념 박스와 역할 박스. [근거 등급: 동료 심사]

TransBox와 mOWL: 폐포와 도구​

  1. Yang, H., Chen, J., and Sattler, U. "TransBox: EL++-closed Ontology Embedding." WWW, 2025. — EL++ 폐포, 역할 박스, 그리고 건전성 정리. [근거 등급: 동료 심사]
  2. Zhapa-Camacho, F., Kulmanov, M., and Hoehndorf, R. "mOWL: Python Library for Machine Learning with Biomedical Ontologies." Bioinformatics, 2023. — 도구 모음: 정규화, 데이터셋, 모델, 평가. [근거 등급: 동료 심사]
  3. Jackermeier, M., Chen, J., and Horrocks, I. "Dual Box Embeddings for the Description Logic EL++." WWW, 2024. — TransBox가 확장하는 코드베이스인 Box²EL과 그 범프 메커니즘. [근거 등급: 동료 심사]
  4. Chen, J., Hu, P., Jiménez-Ruiz, E., Holter, O. M., Antonyrajah, D., and Horrocks, I. "OWL2Vec*: Embedding of OWL Ontologies." Machine Learning, 2021. — 같은 생태계 안의 그래프/텍스트 투영 방식 대안. [근거 등급: 동료 심사]

쌍곡 임베딩: 곡률 공간의 계층​

  1. Sala, F., De Sa, C., Gu, A., and Ré, C. "Representation Tradeoffs for Hyperbolic Embeddings." ICML, 2018. — 왜곡과 차원 사이의 트레이드오프를 정밀하게 규명. [근거 등급: 동료 심사]
  2. Nickel, M., and Kiela, D. "Poincaré Embeddings for Learning Hierarchical Representations." NeurIPS, 2017. — 푸앵카레 공(Poincaré-ball) 임베딩과 리만 확률적 경사하강법(SGD) 방법론. [근거 등급: 동료 심사]
  3. Chami, I., Wolf, A., Juan, D.-C., Sala, F., Ravi, S., and Ré, C. "Low-Dimensional Hyperbolic Knowledge Graph Embeddings." ACL, 2020. — 저차원에서의 쌍곡 지식 그래프 임베딩. [근거 등급: 동료 심사]
  4. Ganea, O.-E., Bécigneul, G., and Hofmann, T. "Hyperbolic Entailment Cones for Learning Hierarchical Embeddings." ICML, 2018. — 쌍곡 공간에서의 함의 원뿔. [근거 등급: 동료 심사]

메시지 전달: GNN의 청사진​

  1. Gilmer, J., Schoenholz, S. S., Riley, P. F., Vinyals, O., and Dahl, G. E. "Neural Message Passing for Quantum Chemistry." ICML, 2017. — 메시지 전달 추상화(MPNN). [근거 등급: 동료 심사]
  2. Battaglia, P. W., et al. "Relational Inductive Biases, Deep Learning, and Graph Networks." arXiv:1806.01261, 2018. — 이 청사진을 일반화한 것으로, 귀납적 편향으로서의 그래프. [근거 등급: 프리프린트]
  3. Kipf, T. N., and Welling, M. "Semi-Supervised Classification with Graph Convolutional Networks." ICLR, 2017. — GCN: 정규화된 인접 행렬 계층. [근거 등급: 동료 심사]
  4. Hamilton, W. L., Ying, R., and Leskovec, J. "Inductive Representation Learning on Large Graphs." NeurIPS, 2017. — GraphSAGE: 샘플링 기반 집계, 귀납적 설정. [근거 등급: 동료 심사]

관계형 GNN: R-GCN 그리고 그 너머​

  1. Schlichtkrull, M., Kipf, T. N., Bloem, P., van den Berg, R., Titov, I., and Welling, M. "Modeling Relational Data with Graph Convolutional Networks." ESWC, 2018. — R-GCN: 관계형 메시지 전달, 기저 분해(basis decomposition). [근거 등급: 동료 심사]
  2. Zhu, J., Yan, Y., Zhao, L., Heimann, M., Akoglu, L., and Koutra, D. "Beyond Homophily in Graph Neural Networks: Current Limitations and Effective Designs." NeurIPS, 2020. — 이질성(heterophily): 이웃 평균이 실패하는 지점과 이를 견디는 설계. [근거 등급: 동료 심사]
  3. Vashishth, S., Sanyal, S., Nitin, V., and Talukdar, P. "Composition-Based Multi-Relational Graph Convolutional Networks." ICLR, 2020. — CompGCN: 관계 임베딩을 합성하여 메시지를 만드는 방식. [근거 등급: 동료 심사]
  4. Zhu, Z., Zhang, Z., Xhonneux, L.-P., and Tang, J. "Neural Bellman-Ford Networks: A General Graph Neural Network Framework for Link Prediction." NeurIPS, 2021. — NBFNet: 관계형 메시지 전달의 경로 정식화. [근거 등급: 동료 심사]
  5. Galkin, M., Yuan, X., Mostafa, H., Tang, J., and Zhu, Z. "Towards Foundation Models for Knowledge Graph Reasoning." ICLR, 2024. — ULTRA: 관계에 무관한 전이(transfer)로, 관계형 GNN이 나아가는 방향. [근거 등급: 동료 심사]

표현력의 천장: 1-WL, C², 등급 양상 논리​

  1. Xu, K., Hu, W., Leskovec, J., and Jegelka, S. "How Powerful are Graph Neural Networks?" ICLR, 2019. — GIN; GNN의 능력은 1-WL로 상한이 정해진다는 것; 합산 집계의 단사성(injectivity). [근거 등급: 동료 심사]
  2. Morris, C., Ritzert, M., Fey, M., Hamilton, W. L., Lenssen, J. E., Rattan, G., and Grohe, M. "Weisfeiler and Leman Go Neural: Higher-Order Graph Neural Networks." AAAI, 2019. — 1-WL 동치성과 k-WL 계층 구조. [근거 등급: 동료 심사]
  3. Cai, J.-Y., Fürer, M., and Immerman, N. "An Optimal Lower Bound on the Number of Variables for Graph Identification." Combinatorica, 1992. — k-WL이 C^{k+1}과 같다는, 계수 논리(counting logic)를 통한 특징짓기. [근거 등급: 동료 심사]
  4. Barceló, P., Kostylev, E. V., Monet, M., Pérez, J., Reutter, J., and Silva, J.-P. "The Logical Expressiveness of Graph Neural Networks." ICLR, 2020. — GNN 노드 분류기와 등급 양상 논리(모든 단항 C² 분류기를 ACR-GNN으로 표현할 수 있음). [근거 등급: 동료 심사]
  5. Grohe, M. "The Logic of Graph Neural Networks." LICS, 2021. — WL, 논리, GNN을 하나로 묶는 개관 논문. [근거 등급: 동료 심사]
  6. Immerman, N., and Lander, E. "Describing Graphs: A First-Order Approach to Graph Canonization." Complexity Theory Retrospective, Springer, 1990. — 색 정제(colour refinement)가 C²와 같다는, 두 변수 계수 논리를 통한 최초의 특징짓기. [근거 등급: 동료 심사]

어텐션: 관련성에 의한 추론​

  1. Graves, A., Wayne, G., and Danihelka, I. "Neural Turing Machines." arXiv:1410.5401, 2014. — 내용 주소화(content-addressed) 미분 가능 메모리; 소프트 검색으로서의 어텐션을 명시화. [근거 등급: 프리프린트]
  2. Bahdanau, D., Cho, K., and Bengio, Y. "Neural Machine Translation by Jointly Learning to Align and Translate." ICLR, 2015. — 최초의 내용 기반 어텐션. [근거 등급: 동료 심사]
  3. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., and Polosukhin, I. "Attention Is All You Need." NeurIPS, 2017. — 스케일드 내적곱(scaled dot-product) 어텐션과 멀티헤드 어텐션; √d_k 논거. [근거 등급: 동료 심사]
  4. Veličković, P., Cucurull, G., Casanova, A., Romero, A., Liò, P., and Bengio, Y. "Graph Attention Networks." ICLR, 2018. — 그래프 위 학습된 간선 가중치로서의 어텐션(메시지 전달과의 연결). [근거 등급: 동료 심사]

벡터 기호 구조: 결합과 중첩​

  1. Plate, T. A. "Holographic Reduced Representations." IEEE Transactions on Neural Networks, 1995. — HRR: 순환 합성곱(circular-convolution) 결합, 용량 분석. [근거 등급: 동료 심사]
  2. Smolensky, P. "Tensor Product Variable Binding and the Representation of Symbolic Structures in Connectionist Systems." Artificial Intelligence, 1990. — 모든 결합 방식의 정확한 텐서곱 조상. [근거 등급: 동료 심사]
  3. Kanerva, P. "Hyperdimensional Computing: An Introduction to Computing in Distributed Representation with High-Dimensional Random Vectors." Cognitive Computation, 2009. — 초차원적 관점: 차원성에서 나오는 견고함. [근거 등급: 동료 심사]
  4. Kleyko, D., Rachkovskij, D. A., Osipov, E., and Rahimi, A. "A Survey on Hyperdimensional Computing aka Vector Symbolic Architectures, Part I: Models and Data Transformations." ACM Computing Surveys, 2022. — 이 계열 전체를 통합하고 비교. [근거 등급: 동료 심사]
  5. Elhage, N., Hume, T., Olsson, C., Schiefer, N., Henighan, T., Kravec, S., Hatfield-Dodds, Z., Lasenby, R., Drain, D., Chen, C., Grosse, R., McCandlish, S., Kaplan, J., Amodei, D., Wattenberg, M., and Olah, C. "Toy Models of Superposition." arXiv:2209.10652, 2022. — 학습된 신경망 내부의 특성(feature) 중첩: 차원 수보다 많은 특성이 거의 직교하는 방향들로 채워진다. [근거 등급: 프리프린트]

소프트 단일화: 벡터 공간에서 기호 맞추기​

  1. Robinson, J. A. "A Machine-Oriented Logic Based on the Resolution Principle." Journal of the ACM, 1965. — 부드럽게 완화되는 대상인 엄격한(hard) 단일화(1권의 토대). [근거 등급: 동료 심사]
  2. Rocktäschel, T., and Riedel, S. "End-to-End Differentiable Proving." NeurIPS, 2017. — NTP: RBF 커널 기반 소프트 단일화를 이용한 후방 연쇄(backward chaining). [근거 등급: 동료 심사]
  3. Minervini, P., Bošnjak, M., Rocktäschel, T., Riedel, S., and Grefenstette, E. "Differentiable Reasoning on Large Knowledge Bases and Natural Language." AAAI, 2020. — GNTP: 미분 가능 증명을 규모 있게 확장. [근거 등급: 동료 심사]
  4. Minervini, P., Riedel, S., Stenetorp, P., Grefenstette, E., and Rocktäschel, T. "Learning Reasoning Strategies in End-to-End Differentiable Proving." ICML, 2020. — 조건부 정리 증명기(Conditional Theorem Prover): 학습된 규칙 선택. [근거 등급: 동료 심사]

솔직한 평결: 벡터가 담을 수 있는 것과 없는 것​

  1. Nickel, M., Murphy, K., Tresp, V., and Gabrilovich, E. "A Review of Relational Machine Learning for Knowledge Graphs." Proceedings of the IEEE, 2016. — 임베딩 방법이 무엇을 이뤄내고 어디서 멈추는가. [근거 등급: 동료 심사]
  2. Xu, K., Hu, W., Leskovec, J., and Jegelka, S. "How Powerful are Graph Neural Networks?" ICLR, 2019. — 신경 축(pillar)에 대한 확고한 한계로서의 표현력 천장. [근거 등급: 동료 심사]
  3. Ruffinelli, D., Broscheit, S., and Gemulla, R. "You CAN Teach an Old Dog New Tricks! On Training Knowledge Graph Embeddings." ICLR, 2020. — 학습 프로토콜이 모델 선택에 필적한다는, 정신이 번쩍 드는 방법론적 결과. [근거 등급: 동료 심사]
  4. Garcez, A. d’Avila, and Lamb, L. C. "Neurosymbolic AI: The 3rd Wave." Artificial Intelligence Review, 2023. — 역할 분담이 왜 통합(4권의 논지)을 가리키는가. [근거 등급: 동료 심사]