[論文レビュー] DLV - A System for Declarative Problem Solving

Thomas Eiter, Wolfgang Faber+3 more|ArXiv.org|Mar 8, 2000

Logic, Reasoning, and Knowledge参考文献 15被引用数 86

ひとこと要約

DLV は、強いついだおよびデフォルトの否定、整合性制約、算術組み込み関数、複数のフロントエンドを備えた、選言的 Datalog に強調集合意味論を実装した宣言的問題解決システムです。診断、計画、従来のデータベースの知識表現タスクを効率的に処理でき、100万個のリテラルを含む大規模な問題にもスケーリング可能であり、最適化後はハードベンチマークで1秒未塔の実行時間となります。

ABSTRACT

DLV is an efficient logic programming and non-monotonic reasoning (LPNMR) system with advanced knowledge representation mechanisms and interfaces to classic relational database systems. Its core language is disjunctive datalog (function-free disjunctive logic programming) under the Answer Set Semantics with integrity constraints, both default and strong (or explicit) negation, and queries. Integer arithmetics and various built-in predicates are also supported. In addition DLV has several frontends, namely brave and cautious reasoning, abductive diagnosis, consistency-based diagnosis, a subset of SQL3, planning with action languages, and logic programming with inheritance.

研究の動機と目的

• 答え集合意味論の下で非単調的推論と論理プログラミングのための実用的で効率的なシステムを実装すること。
• 選言的規則、強いついだおよびデフォルトの否定、整合性制約、算術組み込み関数などの高度な知識表現機能をサポートすること。
• 診断、計画、SQL3統合などのアプリケーション固有の推論タスクに適したユーザーフレンドリーなフロントエンドを提供すること。
• 大規模な知識ベースにおいてスケーラブルな推論を可能にし、実世界の応用への実現可能性を示すこと。
• AI やデータベースシステムへの論理的推論の統合を支援する基盤エンジンとしての役割を果たすこと。

提案手法

• システムは関数を含まない項を備えた選言的 Datalog のカーネル言語に基づいて構築されており、肯定的および否定的リテラル、デフォルトの否定（'not' を通じて）および強いついだをサポートしています。
• 答え集合意味論は Gelfond-Lifschitz の還元を用いて実装されています：集合 X が答え集合であるとは、X と負の部品が重複するルールを除いた還元 P^X について、X が最小モデルであることを意味します。
• ルールのグランドインスタンシエーションを用いて、ハーブランドベース上で答え集合を計算することで、意味論に整合した完全性と正しさを保証しています。
• フロントエンドは、コアシステムに特別な推論モードを拡張します：勇敢／慎重な推論、帰納的および整合性ベースの診断、SQL3 のサブセット、アクション言語による計画、継承ベースの論理プログラミング。
• パフォーマンスの向上のため、標準的な GNU ツール（GCC、flex、bison）を用いて Unix 互換プラットフォームへの移植性を確保し、複数のバイナリ配布形態をサポートしています。
• 最適化アルゴリズムとヒューリスティクスを用いてパフォーマンスを向上させ、ハードベンチマークにおいて時間の経過とともに著しく実行時間が短縮されています。

実験結果

リサーチクエスチョン

• RQ1 否定および制約を備えた完全な答え集合意味論を実装した実用的システムを構築できるか？
• RQ2 このようなシステムは、診断や計画といった複雑な現実世界の推論問題をどれほど効率的に処理できるか？
• RQ3 数百万個のルールやリテラルを含む大規模な知識ベースにどの程度スケーリングできるか？
• RQ4 このようなシステムは、従来のデータベースや AI 応用のバックエンドエンジンとして効果的に使用できるか？
• RQ5 アルゴリズム的およびヒューリスティック的最適化によって、どの程度のパフォーマンス向上が達成できるか？

主な発見

• DLV は、強いついだおよびデフォルトの否定、整合性制約、算術組み込み関数を備えた完全な選言的 Datalog に対して答え集合意味論を成功裏に実装しました。
• システムは最大 100万個のリテラルおよび 100万個のルールを含む問題を処理でき、大規模な知識ベースにおけるスケーラビリティを示しました。
• 3COL や STRATCOMP といったハードベンチマークの実行時間は、1年間のうちに 1000秒以上から 1秒未塔まで短縮され、顕著なパフォーマンス向上が確認されました。
• 1999年末時点で、HPATH 問題は 0.3秒、PRIME 問題は 0.8秒で解決され、NP-および Σ₂ᴾ-ハード問題に対しても高い効率性を示しました。
• 同様のベンチマークにおいて他のシステムを上回るパフォーマンスを発揮しており、CERN では大規模な従来のデータベースワークロードの評価が行われています。
• 複数のフロントエンドを備えたモジュラー設計により、論理プログラミングの構文に深く理解がなくても、ドメイン固有の問題を解決できるようになっています。