[論文レビュー] Answer Set Programming for Stream Reasoning

Martin Gebser, Torsten Grote+4 more|arXiv (Cornell University)|Jan 8, 2013

Logic, Reasoning, and Knowledge参考文献 20被引用数 10

ひとこと要約

本稿は、継続的データのスライディングウィンドウ上で、効率的で知識集約的なストリーム推論を可能にするために、時間に応じて減衰する論理プログラムを、Answer Set Programming (ASP) に導入する。静的知識を事前にオフラインでエンコードし、一時的な入力を通じてルールを動的に活性化することで、衝突駆動型学習を用いたインクリメンタル推論を実現し、単純な再グラウンディングに比べて著しく性能向上を達成し、ロボット工学やアームドアシスタンスライブィングなどの動的分野におけるスケーラブルな推論を可能にする。

ABSTRACT

The advance of Internet and Sensor technology has brought about new challenges evoked by the emergence of continuous data streams. Beyond rapid data processing, application areas like ambient assisted living, robotics, or dynamic scheduling involve complex reasoning tasks. We address such scenarios and elaborate upon approaches to knowledge-intense stream reasoning, based on Answer Set Programming (ASP). While traditional ASP methods are devised for singular problem solving, we develop new techniques to formulate and process problems dealing with emerging as well as expiring data in a seamless way.

研究の動機と目的

• 従来のデータストリーム管理システムが高スループット処理に注力するが、意味的推論能力に欠けることによる、複雑な推論の欠如に対処すること。
• データの変化と失効に適応する必要がある、アームドアシスタンスライブィング、ロボット工学、スケジューリングなどの動的分野における知識集約型ストリーム推論を可能にすること。
• 継続的ストリームにおけるデータの出現と失効をスムーズに処理できる、Answer Set Programming (ASP) に基づく宣言的モデリングフレームワークを開発すること。
• 静的知識と動的データを分離することで、再グラウンディングの計算オーバーヘッドを低減し、効率的なインクリメンタル推論を可能にすること。
• 時間に敏感なスライディングウィンドウの状況において、デフォルト推論（例：フレーム公理）を忠実に統合・失効させること。

提案手法

• 本手法は、時間に応じて減衰する論理プログラムを用い、ルールとアトムに寿命を割り当てることで、継続的ストリームにおけるデータの出現と失効をモデル化する。
• oclindo を拡張し、#base、#cumulative、#volatile 指令を導入することで、静的、蓄積的、一時的ルールコンponentsを分離する。
• 静的知識（#base を通じて）は一度だけオフラインでグラウンディングされ、動的入力（#volatile および #step 指令を通じて）は各ステップで段階的に統合される。
• システムはステップ間で命題的アトムと制約を再利用し、衝突駆動型学習を活用して推論を高速化する。
• フレーム公理は、時間スロットにわたるデフォルトの持続性を許容する形でエンコードされ、時間に応じて減衰するルール寿命によって失効が管理される。
• 固定された命題的表現を維持することで、継続的クエリ処理が可能となり、各ウィンドウでアクティブな部分のみが有効化される。

実験結果

リサーチクエスチョン

• RQ1 Answer Set Programming は、時間的変化を伴うコンテンツを持つデータストリームに対して、継続的かつ知識集約的な推論をどのようにサポートできるか？
• RQ2 静的知識と動的データをどのように分離することで、インクリメンタルストリーム処理における再グラウンディングのオーバーヘッドを最小限に抑えることができるか？
• RQ3 スライディングウィンドウモデルにおいて、デフォルト推論（例：フレーム公理）を正しく保持し、失効させるにはどうすればよいか？
• RQ4 反応型ASPにおける静的および蓄積的エンコーディング戦略の間には、どのようなパフォーマンスのトレードオフがあるか？
• RQ5 データ失効を伴うストリーム処理の文脈において、衝突駆動型学習をステップ間で効果的に再利用できるか？

主な発見

• 初期セットアップフェーズを経過した後、oclindo における静的エンコーディング戦略は、各ステップでのルール再インスタンス化が少ないため、蓄積的バージョンを上回る性能を発揮する。
• 初期に不充足であるクエリが発生した後、静的エンコーディングを用いた oclindo は、その後の不充足クエリにおいて clingo を上回る性能を示す。これは、学習済み制約が再利用されるためである。
• プロトタイプの oclindo システムは、無関係な制約の削除は正しく行われるものの、失効したアトムの追跡に起因するメモリオーバーヘッドにより、clingo よりも性能が劣っている。
• 静的エンコーディングは初期セットアップ時間が長くなるが、新しいジョブリクエストに対して繰り返しルールの展開を回避できるため、長期的には優れたパフォーマンスを達成する。
• ジョブスケジューリングベンチマークにおいて、一部の不充足クエリは、特にストリームの後半ステップで蓄積的エンコーディングによりより速く解決された。
• 結果として、同じ不充足の理由が複数のクエリにわたって継続する場合、衝突駆動型学習が推論を顕著に高速化することが示された。