[論文レビュー] ASP Essentials: Modelling and Efficient Solving (Invited Paper)

Mark Law, Alessandra Russo|arXiv (Cornell University)|May 2, 2020

Logic, Reasoning, and Knowledge参考文献 27被引用数 22

ひとこと要約

本論文では、通常の規則、選択規則、ハード制約およびウェイト制約をサポートすることで、従来のインダクティブ論理プログラミング（ILP）を拡張した、答え集合プログラム（ASPs）の誘導的学習のためのシステムであるILASPを提示する。このシステムは、反復的な制約生成を通じてスケーラビリティを向上させる、衝突駆動型の学習フレームワークを導入しており、正例、負例、順序付け例からの複雑で非単調な論理プログラムの効率的学習を可能にする。特に、好みの学習や現実世界の知識獲得において優れた効果を示す。

ABSTRACT

Answer Set Programming (ASP) is a logic-based Knowledge Representation and Reasoning (KRR) paradigm that facilitates rapid prototyping of solutions for complex problems. It is particularly effective for tackling Deep Reasoning tasks involving exponentially large search spaces, such as combinatorial search and optimization. While getting started with ASP is relatively easy, mastering its advanced constructs and scaling solutions to real-world problem sizes can be challenging. This paper provides an introduction to ASP, guiding the reader from the fundamentals of the language to the application of programming methodologies and the computation of answer sets. Beyond the core framework, the paper also examines selected extensions of ASP that enable the modeling of complex problems, as well as compilation techniques designed to enhance solving efficiency. Furthermore, it mentions some recent tools that combine ASP with LLMs.

研究の動機と目的

• 従来のPrologベースのILPにとどまらない、一般用途の答え集合プログラム（ASPs）の例からの学習を可能にするスケーラブルなシステムの開発。
• 選択規則やウェイト制約といった表現力のあるASP構文をサポートすることで、既存のILPフレームワークの限界を克服すること。
• 好みの学習を可能にするために、好ましい答え集合を指定する順序付け例を統合すること。
• 反復的制約ベースの学習を通じて、ノイズデータ、大規模な例集合、大規模な探索空間の処理においてスケーラビリティと効率性を向上させること。

提案手法

• ILASPシステムは、勇敢な推論と慎重な推論を組み合わせた学習フレームワークを用い、選択規則やウェイト制約を含むすべてのASPsのクラスを学習可能にする。
• 背景知識、モードバイアス（規則空間を定義するもの）および3種類の例（正例、負例、ウェイト制約用の順序付け例）を用いて学習タスクをモデル化する。
• 各反復で関連する例に基づいて制約を生成する衝突駆動型のアプローチを採用し、解空間を反復的に精錬する。
• ILASP3では、関連する例をカバレッジ制約に変換する例変換器（Example Translator）を導入し、プログラムのスコアを近似することで、効率的な探索を促進する。
• プログラム探索では、これらの近似値を用いて最適な仮説を特定し、予測されたカバー範囲に含まれる関連例の探索による検証を実施する。
• ILASP4では、必要十分な制約ではなく、必要な制約のみを生成することで最適化を図り、反復あたりの計算コストを削減するが、反復回数が増える可能性がある。

実験結果

リサーチクエスチョン

• RQ1 一般用途のILPシステムは、選択規則やウェイト制約を含む、従来の勇敢または慎重なILPフレームワークでは学習できない答え集合プログラムの全クラスを学習できるか？
• RQ2 大規模な例集合、ノイズデータ、大規模な探索空間を扱うにあたり、正しさと最適性を保ちながら、ILPシステムのスケーラビリティをどのように向上できるか？
• RQ3 制約ベースで衝突駆動型の探索が、ASPsのインダクティブ論理プログラミングにおける効率性と収束性に与える影響は何か？
• RQ4 全列挙を回避するために、ルール空間を効果的に剪定できるか、実際のスケーラビリティ向上にどのように寄与するか？
• RQ5 好みの学習は、好ましい答え集合を指定する順序付け例を用いて、どのように形式化・サポートできるか？

主な発見

• ILASPは、選択規則やウェイト制約を含む、勇敢と慎重な推論を両方必要とする答え集合プログラムの全クラスを学習可能であり、これまでは他のシステムでは処理できなかった。
• ウェイト制約の統合により、好みの学習が可能となり、ユーザーの好みを好ましい解決策の例から推論できる。
• ILASP3は、カバレッジ制約を用いたスコア近似により、ILASP2iと比較して反復回数を削減することで、スケーラビリティを顕著に向上させた。
• ILASP3およびILASP4における衝突駆動型アプローチは、例のカバーに必要な制約を生成することで探索空間を縮小し、制約サイズが大きくなっても効率性が向上する。
• ILASPから派生した新しいアルゴリズムFastLASは、ルール空間のOPT十分な部分集合を計算し、そのサイズを桁違いに削減し、Clingoを用いたワンショット解決を可能にした。
• ILASP4の制約生成を必要十分な条件から必要な条件に緩和することで、反復ごとの制約が小さく・速くなり、反復回数が増えてもパフォーマンスが向上した。