[論文レビュー] Constrained Sampling and Counting: Universal Hashing Meets SAT Solving

Kuldeep S. Meel, Moshe Y. Vardi+6 more|arXiv (Cornell University)|Dec 21, 2015

Bayesian Modeling and Causal Inference参考文献 52被引用数 29

ひとこと要約

この論文は、普遍ハッシュ法とSATソルバを組み合わせることで、スケーラブルで正しく構築された制約付きサンプリングおよびカウントのアプローチを提示している。これにより、大規模な産業用途のブール式についても、強力な理論的保証を維持したまま、効率的な近似サンプリングとカウントが可能になる。主な革新点は、ハッシュ関数を最小独立サポートに制限することで、XOR制約の密度を低減し、正しさを損なわずに性能を2〜3桁向上させることにある。

ABSTRACT

Constrained sampling and counting are two fundamental problems in artificial intelligence with a diverse range of applications, spanning probabilistic reasoning and planning to constrained-random verification. While the theory of these problems was thoroughly investigated in the 1980s, prior work either did not scale to industrial size instances or gave up correctness guarantees to achieve scalability. Recently, we proposed a novel approach that combines universal hashing and SAT solving and scales to formulas with hundreds of thousands of variables without giving up correctness guarantees. This paper provides an overview of the key ingredients of the approach and discusses challenges that need to be overcome to handle larger real-world instances.

研究の動機と目的

• 理論的に妥当ではあるが実用的でないアルゴリズムと、スケーラブルではあるが信頼性に欠ける実用的ツールの間のギャップを埋めること。
• 大規模な実世界のブール式に対して、スケーラブルで正しく構築されたサンプリングおよびカウントを可能にすること。
• ハッシュベースの手法におけるXOR制約の密度を低減し、パフォーマンスの向上を図ること。
• 効率的なハッシュをより小さな変数集合上で行えるようにするため、最小独立サポートを自動的に計算する手法を開発すること。
• 未重み付きモデルカウントへのブラックボックス還元を活用して、正確な重み付きモデルカウントを実現すること。未重み付きソルバの進展を活用する。

提案手法

• 追加された普遍ハッシュ制約を含む論理式の充足可能性をチェックするために、SATソルバをオракルとして利用する。
• 論理式の最小独立サポート上で普遍ハッシュを適用することで、XOR制約の数を削減し、効率性を向上させる。
• 問題をグループ最小充足不能部分集合（GMUS）に還元することで、最小独立サポートを計算するためのMISアルゴリズムを導入する。
• リテラル重み付きモデルカウント（WMC）を未重み付きモデルカウント（UMC）に還元する。入力の正規形を保持し、UMCソルバのブラックボックス統合を可能にする。
• ハッシュによる射影された解空間を用いて、CNF論理式の解集合からの一様または近似的に一様なサンプリングを実現する。
• 誤差を有界に保つために、再帰的なハッシュと分割戦略を用いて、解の総数を推定する。

実験結果

リサーチクエスチョン

• RQ1 普遍ハッシュ法とSATソルバの組み合わせにより、制約付きサンプリングおよびカウントにおいてスケーラブルで正しく構築されたアルゴリズムを提供できるか？
• RQ2 ハッシュベースのカウントにおけるXOR制約の密度をどのように低減すれば、実用的パフォーマンスを向上させられるか？
• RQ3 最小独立サポートをアルゴリズム的に計算することで、より小さな変数集合上で効率的なハッシュを実現できるか？
• RQ4 入力構造を保持し、既存のUMCソルバの利用を可能にする、効率的でブラックボックスな重み付きモデルカウントから未重み付きモデルカウントへの還元は存在するか？
• RQ5 SATソルバの進展は、モデルカウントを介したグラフィカルモデルにおける確率的推論のスケーリングにどの程度活用できるか？

主な発見

• 提案されたハッシュベースのアプローチは、ハッシュを最小独立サポートに制限することで、サンプリングおよびカウントのパフォーマンスを2〜3桁向上させた。
• MISアルゴリズムは、理論的保証を維持したまま、効率的なハッシュを可能にする最小独立サポートを的確に計算できた。
• 重み付きから未重み付きモデルカウントへの還元により、未重み付きカウンタのブラックボックス拡張として正確な重み付きカウンタを構築でき、より大きなインスタンスへのスケーリングが可能になった。
• 最小独立サポートの使用により、XOR制約の密度が顕著に低減され、正しさを損なわず、実行時間が改善された。
• 実験では、UniGen2およびApproxMCというソルバが、数十万変数に達する論理式に対してもスケーリング可能であり、強力な理論的近似保証を維持していることが示された。
• ブラックボックスによるWMCからUMCへの還元により、未重み付きモデルカウントの進展を自動的に活用でき、大規模ベンチマークにおいてパフォーマンスが向上した。