CLARK는 데이터 분포 변화에 취약한 기존 머신러닝 모델의 한계를 극복하기 위해 개발된 프레임워크입니다. 지식 그래프, 기호 규칙 마이닝, 확률적 추론을 통합하여 불확실한 정보 환경에서도 안정적인 성능을 보장합니다. 두 개의 의료 데이터셋 평가 결과, CLARK는 기존 방식 대비 향상된 분류 성능과 일반화 가능성을 보여주었습니다.
CLARK는 CACTUS에서 파생된 지식 그래프를 기반으로 LP$^{ ext{MLN}}$ 프로그램을 생성하고, 기호 학습기를 통해 제안된 후보 규칙을 확률적 가중치 학습을 통해 보정합니다. 이를 통해 불확실성 하에서 추론하고, 기반 그래프 구조를 개선할 수 있습니다.
연구 결과, CLARK는 기존 방식보다 더 나은 분류 성능과 일반화된 추론을 제공하며, 지식 기반 모델 구축에 대한 체계적인 접근 방식을 제시합니다.