[論文レビュー] Abstract Answer Set Solvers with Learning

Yuliya Lierler|arXiv (Cornell University)|Jan 6, 2010

Logic, Reasoning, and Knowledge参考文献 20被引用数 4

ひとこと要約

この論文は、バックジャンプ、学習、忘却、リスタートを組み込んだ高度なアンサーセットソルバを、グラフベースの遷移系を用いて抽象的にモデル化するフレームワークを提案する。Nieuwenhuisらの抽象的DPLLフレームワークをASPに拡張することで、smodelscc、cmodels、および著者自身のソルバsupのアルゴリズムを形式的に定式化し、厳密な正しさの証明と体系的な比較を可能にする。このフレームワークにより、supのような効率的で形式的に検証されたソルバの開発が可能となり、ベンチマーク問題において競合他社ソルバを上回る性能を示した。

ABSTRACT

Nieuwenhuis, Oliveras, and Tinelli (2006) showed how to describe enhancements of the Davis-Putnam-Logemann-Loveland algorithm using transition systems, instead of pseudocode. We design a similar framework for several algorithms that generate answer sets for logic programs: Smodels, Smodels-cc, Asp-Sat with Learning (Cmodels), and a newly designed and implemented algorithm Sup. This approach to describing answer set solvers makes it easier to prove their correctness, to compare them, and to design new systems.

研究の動機と目的

• バックジャンプ、学習、忘却、リスタートをサポートする複雑なアンサーセットソルバを統一的かつ抽象的に記述するためのフレームワークの開発。
• 疑似コードの代替として数学的に厳密な記述法を提供し、ソルバのアルゴリズムの正しさの証明と比較可能性を向上させること。
• 解釈に基づく推論を用いて、ASPソルバにおける衝突駆動型バックジャンプと節の学習のメカニズムを形式的に定式化すること。
• フレームワークの有効性を実証するため、supソルバの記述と検証を行い、cmodels や smodelscc といった既存システムと比較すること。
• 抽象的遷移グラフにおけるパス選択を通じて、ソルバの挙動を体系的に分析すること。

提案手法

• Nieuwenhuisら（2006）の抽象的DPLLフレームワークを拡張し、計算状態と遷移の有向グラフとしてASPソルバをモデル化する。
• 節選択戦略を固定しないまま、バックジャンプと学習を遷移として捉える一般化された抽象的フレームワークを導入する。
• モデルの生成と検証のための推論規則を定義し、衝突駆動型学習とバックジャンプをサポートする拡張された規則を含む。
• 解釈に基づく推論を用いて、決定（Decision）およびFirstUIP（First Unique Implication Point）バックジャンプ節を計算する2つのアルゴリズム—BackjumpClause および BackjumpClauseFirstUIP—を提案する。
• フレームワークを用いて smodelscc および sup ソルバを形式的に記述・検証し、エッジの優先順位の割り当てによって両者の差異を明確に示す。
• 生成・テストのグラフに学習とバックジャンプ機能を拡張することで、SATベースの cmodels システムをモデル化する。

実験結果

リサーチクエスチョン

• RQ1 バックジャンプと学習といった高度な機能を、グラフベースの遷移系を用いてどのように形式的に抽象化できるか？
• RQ2 抽象的フレームワークが、ASPソルバの正しさの証明と体系的な比較をどのように可能にするか？
• RQ3 解釈に基づく手法を用いて、決定節やFirstUIPのような衝突駆動型バックジャンプ節をどのように計算できるか？
• RQ4 このフレームワークが、supソルバの設計と検証をどのように支援するか？
• RQ5 ソルバ戦略の差異（例：smodelscc と sup の比較）は、抽象的グラフモデルにおいてどのように現れるか？

主な発見

• 抽象的フレームワークは、smodelscc、cmodels、sup といった複雑なASPソルバを効果的にモデル化し、形式的正しさ分析と比較を可能にした。
• フレームワークは、supソルバの設計と実装を支援し、ベンチマーク問題において優れた性能を示した。
• supは、タイトな問題およびタイトでない問題の両方において、cmodels、smodels、smodelscc、claspを上回ったほか、ほとんどのインスタンスで競争力のある実行時間を達成した。
• フレームワークにより、解釈に基づく推論を根拠に、BackjumpClause および BackjumpClauseFirstUIP といったバックジャンプ節計算アルゴリズムの形式的導出が可能になった。
• グラフベースのモデルは、エッジの優先順位の割り当ての違いを通じて、ソルバ戦略の差異を明確に捉えており、アルゴリズムの比較を簡素化した。
• フレームワークは、supの正しさの検証および学習、バックジャンプ、リスタートメカニズムの相互作用の理解に不可欠な役割を果たした。