---
type: paper
slug: myounghoon-lee-2026-ft-mixe-kg
title: >-
  FT-MixE: Fourier transform-based efficient mixing of knowledge graph
  embeddings for improved link prediction
authors:
  - '[[myounghoon-lee]]'
  - '[[junghyelee]]'
year: 2026
venue: '[[applied-soft-computing]]'
volume: '191'
pages: '114627'
doi: 10.1016/j.asoc.2026.114627
categories:
  - '[[knowledge-graph]]'
  - '[[machine-learning]]'
methods:
  - '[[2d-dft]]'
  - '[[knowledge-graph-embedding]]'
  - '[[convolutional-id]]'
themes:
  - '[[knowledge-graph-completion]]'
  - '[[link-prediction]]'
  - '[[fourier-transform-embedding]]'
aliases:
  - FT-MixE
last_updated: '2026-05-17T21:30:00+09:00'
---
# FT-MixE: Fourier transform-based efficient mixing of knowledge graph embeddings for improved link prediction

*[[myounghoon-lee]], [[junghyelee]] (2026)* · [[applied-soft-computing]] 191:114627 · [DOI ↗](https://doi.org/10.1016/j.asoc.2026.114627)

> **FT-MixE** — *Knowledge Graph Completion (KGC)* 의 효율적 모형. *Triple = "short sentence"* 패러다임 + **2D DFT (Fourier Transform) + 2D inverse DFT** 의 *parameter-free mixing* + lightweight Conv1D 확장. **FB15k-237, YAGO3-10 에서 MRR + Hit@k 우월**, WN18RR 비등. 적은 parameters 로 *대규모 KG* 처리. [[junghyelee]] · [[myounghoon-lee]] 의 *TOD KG (2022) → FT-MixE (2026) KG 라인 성숙*.

- **RQ**: Knowledge Graph 의 *expressiveness vs efficiency trade-off* — *적은 parameters* 로 *복잡한 entity-relation 관계* 포착 가능한가?
- **방법론**: FT-MixE = 2D Discrete Fourier Transform + 2D inverse DFT + lightweight Conv1D + special tokens (triple as sentence)
- **데이터**: FB15k-237, YAGO3-10, WN18RR (KG benchmark)
- **주요 발견**: (1) **FB15k-237, YAGO3-10 MRR + Hit@k 우월** vs baselines. (2) WN18RR 비등 또는 우월. (3) Parameter efficiency — *적은 size* 로 *큰 KG 처리*. (4) Triple 을 *"문장 (sentence)"* 으로 처리 (LM 의 special token 도입).
- **시사점**: *Knowledge Graph Completion (KGC)* 의 scalable + promising model. 대규모 KG 응용 (Freebase, WordNet, YAGO, BioKG 등) 에 적합.

## 요약

이 paper 는 [[junghyelee]] 의 *3 기 SNU TEMEP 의 *KG 라인 성숙* — 2026 최신. [[myounghoon-lee]] (TOD 의 같은 제 1 저자, [[myounghoon-lee-2022-tod-knowledge-graph]]) 의 *KG 후속 작업*. *Applied Soft Computing* 발표.

방법론적 핵심: *3 가지 결합*.

(i) **Triple-as-sentence paradigm**: KG triple $(h, r, t)$ (head entity, relation, tail entity) 을 *짧은 sentence* 로 처리. Language Model 의 *special tokens* 도입 (e.g. [CLS], [SEP]). 문맥적 의미 (contextual meaning) 포착.

(ii) **2D DFT (Discrete Fourier Transform)**: Triple embedding 을 *2D 공간* 에 배치 후 *2D DFT + 2D inverse DFT* 로 *non-parametric mixing*. Parameter 추가 없이 *complex frequency-domain* 표현. FT-MixE encoder 의 핵심.

(iii) **Lightweight Conv1D 확장**: 2D DFT 이후 *gentle parametric refinement*. Total parameter size 가 *기존 KGC 모델 보다 작음*.

핵심 발견: 3 benchmark 비교:
- **FB15k-237**: MRR + Hit@1/3/10 모두 우월 (vs ConvE, RotatE, TuckER 등)
- **YAGO3-10**: 우월
- **WN18RR**: 비등 또는 우월

*Parameter efficiency*: FT-MixE 의 parameter count 가 baselines 의 *fraction* — 대규모 KG (BioKG, Freebase 등) scaling 에 유리.

[[junghyelee]] 의 *연구 궤적* 안에서 이 paper 는 *실타래 5 (Graph-based methods) 의 정점* — 2026 최신. [[myounghoon-lee-2022-tod-knowledge-graph]] (KG construction) → 본 paper (KG completion) 의 *4 년 발전*.

## 핵심 결과

| Dataset | FT-MixE vs baselines |
|---|---|
| **FB15k-237** | **MRR + Hit@1/3/10 우월** |
| **YAGO3-10** | **우월** |
| WN18RR | 비등 또는 우월 |

| 효율성 | FT-MixE |
|---|---|
| Parameter count | **fraction of baselines** |
| Scalability | 대규모 KG 우호 |

## 방법론 노트

FT-MixE encoder:

```
Input: triple (h, r, t) with special tokens
Embedding: e_h, e_r, e_t → arranged in 2D matrix E ∈ R^{H×W}
2D DFT: F = DFT2(E)  (parameter-free)
Mixing in frequency domain
2D inverse DFT: E' = IDFT2(F)  (parameter-free)
Conv1D expansion: E'' = Conv1D(E')  (lightweight params)
Score: f(E'')  (link prediction score)
```

식별 가정: (i) Triple 의 *sentence-like 구조*, (ii) Frequency domain 의 *expressiveness*, (iii) Conv1D 의 *충분한 capacity*.

## 연구 계보

이 paper 는 (i) Bordes et al. (2013) TransE KGE 본가, (ii) Dettmers et al. (2018) ConvE 정통, (iii) [[myounghoon-lee-2022-tod-knowledge-graph]] (TOD KG) 직접 선행, (iv) Vaswani et al. (2017) Transformer 의 special tokens — 의 결합. [[junghyelee]] 의 *연구 궤적* *실타래 5 의 정점*, 2026 최신.

## See also

- [[junghyelee]]
- [[myounghoon-lee]]
- [[2d-dft]]
- [[knowledge-graph-embedding]]
- [[knowledge-graph-completion]]
- [[link-prediction]]
- [[applied-soft-computing]]
- [[myounghoon-lee-2022-tod-knowledge-graph]]