DATGR 프레임워크는 드리프트 인식 그래프 재연결을 통해 생물의학 텍스트 모델링 개선

본 논문은 Drift-Aware Temporal Graph Rewiring (DATGR)이라는 프레임워크를 소개합니다. 이는 추정된 의미적 드리프트를 기반으로 공발생 간선을 동적으로 업데이트하여 개념의 진화를 모델링합니다. 각 시간 슬라이스에 대해 임베딩을 재학습하는 대신, DATGR은 간선 가중치에 로지스틱 업데이트 규칙을 적용하는 경량 피드백 기반 재연결을 수행합니다.

• 생물의학 다중 관계 코퍼스(BIOMRC)에서 평가한 결과, 정적 기준선 대비 약 0.066의 절대적인 AUROC 향상(0.699 vs. 0.633)을 달성했습니다.
• 정밀도-재현율 곡선 아래 면적(AUPRC)은 유사하게 유지되었으며(0.738 vs. 0.744), 드리프트 인식 적응이 정밀도 손실 없이 링크 예측 재현율을 향상시킴을 보여줍니다.

이러한 결과는 간선 수준의 적응이 진화하는 생물의학 텍스트에서 시간적 의미 변화를 효과적으로 포착하면서도 계산 효율성과 해석 가능성을 유지함을 보여줍니다.