[論文レビュー] Arjun: An Efficient Independent Support Computation Technique and its Applications to Counting and Sampling

Mate Soos, Kuldeep S. Meel|arXiv (Cornell University)|Oct 18, 2021

Bayesian Modeling and Causal Inference被引用数 4

ひとこと要約

本稿では、ゲート同定と仮定ベースSATソルビングを用いて、論理ゲートの暗黙的および明示的定義可能性を活用することで、独立サポートを効率的に計算するアルゴリズムArjunを紹介する。Arjunはハッシングベースのモデルカウンターやサンプラーを大幅に向上させ、5000秒のタイムアウト内にApproxMC4が387個のベンチマークをさらにカウント可能にし、UniGen3が319個のベンチマークをさらにサンプリング可能にした。

ABSTRACT

Given a Boolean formula $\\varphi$ over the set of variables $X$ and a projection set $\\mathcal{P} \\subseteq X$, a subset of variables $\\mathcal{I}$ is independent support of $\\mathcal{P}$ if two solutions agree on $\\mathcal{I}$, then they also agree on $\\mathcal{P}$. The notion of independent support is related to the classical notion of definability dating back to 1901, and have been studied over the decades. Recently, the computational problem of determining independent support for a given formula has attained importance owing to the crucial importance of independent support for hashing-based counting and sampling techniques. In this paper, we design an efficient and scalable independent support computation technique that can handle formulas arising from real-world benchmarks. Our algorithmic framework, called Arjun, employs implicit and explicit definability notions, and is based on a tight integration of gate-identification techniques and assumption-based framework. We demonstrate that augmenting the state of the art model counter ApproxMC4 and sampler UniGen3 with Arjun leads to significant performance improvements. In particular, ApproxMC4 augmented with Arjun counts 387 more benchmarks out of 1896 while UniGen3 augmented with Arjun samples 319 more benchmarks within the same time limit.

研究の動機と目的

• ハッシングベースのモデルカウンティングおよびサンプリングにおける、スケーラブルな独立サポート計算の重要なニーズに対応する。
• 実世界のベンチマークでスケーリングが著しく劣る既存ツール（例：MIS）の限界を克服する。
• カウンティングおよびサンプリングパイプラインにおけるSATソルバーのオーバーヘッドを低減するため、小さな独立サポートを効率的に同定するフレームワークを設計する。
• スケーラビリティと解空間のプルーニングを向上させるために、暗黙的および明示的定義可能性技術を統合する。
• 独立サポート計算が、最先端の近似カウンティングおよびサンプリングツールにおける主要な性能ボトルネックであることを実証する。

提案手法

• 仮定ベースSATソルビングフレームワークを採用し、定義可能性を効率的にテストし、独立サポート集合を同定する。
• 変数が他の変数に機能的に依存していることを特定できるように、ゲート同定技術を統合する。これにより、早期のプルーニングが可能になる。
• 解消に基づく推論を用いた暗黙的定義可能性チェックにより、他の変数によって値が決定される変数を同定する。
• SATクエリを用いた明示的定義可能性チェックを実施し、ある変数の値が変数の部分集合によって一意に決定されるかどうかを検証する。
• 暗黙的および明示的定義可能性の両フェーズを組み合わせ、2段階のアルゴリズムとして実装することで、プルーニングを最大化し、サポートサイズを最小化する。
• SATソルバーとの密接な統合により、Arjunは、従来のツールが失敗するような大規模で現実的なベンチマークにもスケーリング可能である。

実験結果

リサーチクエスチョン

• RQ1 実世界のブール論理式に対して、スケーラブルかつ効率的な独立サポート計算技術を設計できるか？
• RQ2 暗黙的および明示的定義可能性の組み合わせが、計算された独立サポートの品質およびサイズにどのように寄与するか？
• RQ3 ArjunをApproxMC4 や UniGen3 といった既存ツールに統合することで、標準ベンチマーク上でその性能がどの程度向上するか？
• RQ4 Arjunが計算する独立サポートは、MIS などの従来ツールのものよりも小さく、より効果的か？
• RQ5 Arjunの性能において、暗黙的定義可能性フェーズと明示的定義可能性フェーズの相対的貢献度はどの程度か？

主な発見

• Arjunは従来の最先端ツールMISを上回り、5000秒のタイムアウト内にApproxMC4が1896個のベンチマークのうち387個をさらにカウント可能にした。
• ArjunをUniGen3に統合することで、MIS + UniGen3と比較して同じ時間制限内に319個のベンチマークをさらにサンプリング可能にした。
• Arjun + ApproxMC4は1596個のベンチマークを解いたが、ApproxMC4単体では1209個、MIS + ApproxMC4では1262個であり、334件の改善が得られた。
• 1件あたりの観点から見ると、Arjun + ApproxMC4はMIS + ApproxMC4よりも一貫して高速であり、34秒のタイムアウトで5000秒以内にApproxMC4が達成できるカウントに同等の結果を得られた。
• 統合された暗黙的定義可能性フェーズが、明示的探索フェーズよりも性能向上に寄与していることが示され、プルーニングにおいてその重要性が強調された。
• Arjunのより小さな独立サポートは、XOR制約のサイズが小さくなり、衝突節が短くなるため、SATソルバーの実行が高速化される。