Tempor와 함께 효율적인 Knowledge Graph 추론 최적화

Source: Dev.to

챌린지 설명

대규모 지식 그래프(수백만 개의 엔터티와 관계)를 효율적으로 처리하면서 엣지 간의 시간적 관계를 통합할 수 있는 Temporal Graph Neural Network (T‑GNN) 아키텍처를 설계하세요. 네트워크는 시간적 엣지 확률 예측 정확도와 추론의 계산 효율성 사이의 균형을 맞추는 손실 함수를 최적화해야 합니다.

구체적인 제약 조건

• 지식 그래프 규모
  • 1천만 엔터티
  • 1억 엣지
  • 5천만 시간적 관계(엣지 생성 또는 업데이트 타임스탬프)
• 각 노드는 최대 50개의 엣지를 가질 수 있으며, 노드 및 엣지 정규화 정도가 다양합니다.
• 모델 추론 시간은 배치 크기 1 024 샘플에 대해 10분 미만이어야 합니다.
• 네트워크는 지역 및 전역 그래프 패턴을 모두 포착하여 시간적 엣지 예측 정확도를 향상시켜야 합니다.
• 희소 행렬 연산과 Graph Attention Networks (GATs) 를 결합하여 계산 및 메모리 사용을 최적화합니다.

평가 지표

• 시간적 엣지 예측 정확도(예: AUC‑ROC)
• 모델 추론 시간(샘플당 밀리초)
• 모델 복잡도(파라미터 수 및 FLOPS)
• 그래프 교란에 대한 강인성(예: 노드/엣지 제거)

제출 요구 사항

• PyTorch, TensorFlow 등 인기 있는 딥러닝 프레임워크를 사용한 T‑GNN 구현을 제공하세요.
• 명확하고 재현 가능한 실험 설정을 포함하고, 위에 나열된 성능 지표를 보고하세요.
• 네트워크 아키텍처와 평가 전략에서의 설계 트레이드오프에 대해 논의할 준비를 하세요.

제출 마감일: 2026년 3월 1일.