[論文レビュー] Algebraic Model Counting

Angelika Kimmig, Guy Van den Broeck+1 more|arXiv (Cornell University)|Nov 19, 2012

Bayesian Modeling and Causal Inference参考文献 16被引用数 5

ひとこと要約

本稿では、可換半群環への重み付きモデルカウント（WMC）の一般化である代数的モデルカウント（AMC）を紹介する。これにより、確率的推論、制約充足、データベースクエリの統合的推論が可能になる。AMCはsd-DNNF回路を用いて効率的に評価可能であり、より短い回路クラスが適用可能な条件も同定している。既知の結果を一般化し、多様なタスクにおける効率的推論を可能にする。

ABSTRACT

Weighted model counting (WMC) is a well-known inference task on knowledge bases, used for probabilistic inference in graphical models. We introduce algebraic model counting (AMC), a generalization of WMC to a semiring structure. We show that AMC generalizes many well-known tasks in a variety of domains such as probabilistic inference, soft constraints and network and database analysis. Furthermore, we investigate AMC from a knowledge compilation perspective and show that all AMC tasks can be evaluated using sd-DNNF circuits. We identify further characteristics of AMC instances that allow for the use of even more succinct circuits.

研究の動機と目的

• 確率的推論、モデルカウント、制約充足などの多様な推論タスクを、半群構造を用いた統一フレームワークで統合すること。
• 重み付きモデルカウント（WMC）を任意の可換半群に一般化し、数値、集合、多項式、ブール論理式などのラベルをサポートすること。
• 知識コンパイル、特にsd-DNNF回路を用いたAMCタスクの効率的評価を可能にすること。sd-DNNF回路は直接のモデル列挙よりもより短い表現を可能にする。
• sd-DNNFを越えてさらに短い回路表現が可能な、AMCインスタンスの構造的特徴を同定すること。
• AMCが導出における半群の和を一般化する条件を確立し、文法やパス問題への適用範囲を拡張すること。

提案手法

• AMCを、命題論理理論の各モデルについて、各リテラルが可換半群への関数でラベル付けされ、半群演算 ⊕ と ⊗ を用いて結果が計算される和として定義する。
• DarwicheとMarquisの知識コンパイルマップを活用し、AMC問題をsd-DNNF回路にコンパイルする。sd-DNNF回路は動的計画法による効率的評価を可能にする。
• 半群およびラベル関数に適した十分条件（例えば、冪等な加法および中立的⊕演算）を同定し、DNNFやOBDDといったより短い回路クラスでも正当な評価が可能であることを示す。
• AMCが既存のタスクを一般化することを示し、表1に示すように、特定の半群とラベル関数にマッピングすることで実現する（例：確率的推論用にPROB、最短経路用にS-PATH）。
• 文脈自由文法やパス問題における導出ベースの計算から、ラベル関数を負のリテラルへ拡張し、半群の公理を満たすように整合性を保つことで、同等のAMCインスタンスを構築する。
• 導出の代数的カウント（例：半群文法におけるもの）を、モデルとしてのエンコードとそれに応じたラベル付けによりAMCタスクに変換するフレームワークを提供する。

実験結果

リサーチクエスチョン

• RQ1 重み付きモデルカウントは、集合、多項式、ブール論理式などの任意の半群ラベルを統一フレームワークで扱えるように一般化可能か？
• RQ2 AMCタスクは、特にsd-DNNF回路を用いて、どのような条件下で効率的に評価可能か？
• RQ3 半群およびラベル関数のどのような構造的性質が、sd-DNNFを越えてさらに短い回路表現を可能にするか？
• RQ4 文法やパス問題における代数的導出カウント（例：文脈自由文法）は、どのようにモデルベースのエンコードによりAMCタスクに還元可能か？
• RQ5 既存の導出ベースの計算（例：ネットワーク信頼性）をAMCにマッピングするには、ラベルまたは制約のどのような変換が必要か？

主な発見

• AMCは重み付きモデルカウント（WMC）を一般化し、確率的推論、モデルカウント、最短経路、感度分析などの多様な推論タスクを、半群に基づく統一フレームワークで統合する。
• すべてのAMCタスクは、直接のモデル列挙よりも短い表現が可能で、動的計画法による効率的評価が可能なsd-DNNF回路を用いて正当に評価可能である。
• 冪等な加法および中立的⊕演算を有する特定の半群およびラベル関数構成では、DNNFやOBDDといったより短い回路クラスでもAMCの評価が可能である。
• 本稿では、表1に詳細に示すように、特定の半群とラベル関数を用いて、既存のタスク（例：S-PATH, PROB, MPE）をAMCに体系的にマッピングする。
• ラベル関数を負のリテラルへ拡張し、半群の公理を満たすようにすることで、文脈自由文法やパス問題における導出ベースの和をAMCで一般化可能である。
• AMCインスタンスの構造的性質に基づいて適切な回路タイプを選択することで、新規タスクに対しても効率的推論を可能にするフレームワークを提供する。