연구진이 텍스트 속성 그래프(TAG) 모델 학습 효율을 높이는 TAGSAM을 제안했어요. 텍스트 설명과 그래프 토폴로지를 압축하는 텍스트 서브그래프 선택과 속성 유사성 매칭 기법을 활용해요. 실험 결과, 기존 방식 대비 최대 4.9% 정확도 향상을 보였고, 1% 크기까지 압축해도 경쟁력 있는 성능을 유지했어요.
TAGSAM은 여러 관련 텍스트 설명에서 대표적인 텍스트 조각을 선택해 상호 정보량을 최대화하여 텍스트를 압축하고, MTT 기반 기존 방식의 높은 분산을 속성 유사성 매칭으로 완화해요. GitHub에서 관련 코드를 확인할 수 있어요.
텍스트 서브그래프 선택은 텍스트 설명을 압축하고, 속성 유사성 매칭은 그래프 토폴로지를 압축하여 TAG 모델의 공간 및 시간 소비를 줄여요.