[論文レビュー] Limits of CDCL Learning via Merge Resolution

Marc Vinyals, Chunxiao Li+3 more|arXiv (Cornell University)|Jan 1, 2023

Natural Language Processing Techniques被引用数 1

ひとこと要約

この論文は、学習スキームを分析するための形式的モデルとしてマージ解像（MR）を導入することで、CDCLソルバーの証明複雑性を調査する。1エンパワーイング学習（1UIPなど）を用いるCDCLソルバーは、高々線形オーバーヘッドで解像をシミュレートできることが示され、一方でこのオーバーヘッドがタイトであることも示している：線形の解像証明が存在するにもかかわらず、二次的なCDCL証明を必要とする論理式が存在し、CDCL性能における根本的なボトル neck を特定している。

ABSTRACT

In their seminal work, Atserias et al. and independently Pipatsrisawat and Darwiche in 2009 showed that CDCL solvers can simulate resolution proofs with polynomial overhead. However, previous work does not address the tightness of the simulation, i.e., the question of how large this overhead needs to be. In this paper, we address this question by focusing on an important property of proofs generated by CDCL solvers that employ standard learning schemes, namely that the derivation of a learned clause has at least one inference where a literal appears in both premises (aka, a merge literal). Specifically, we show that proofs of this kind can simulate resolution proofs with at most a linear overhead, but there also exist formulas where such overhead is necessary or, more precisely, that there exist formulas with resolution proofs of linear length that require quadratic CDCL proofs.

研究の動機と目的

• CDCLソルバーによる解像証明のシミュレーションのタイトネスを理解すること。
• 解像ステップの両方の前提に共通する「マージリテラル」（マージリテラル）がCDCL学習スキームにおける役割を分析すること。
• CDCLによる解像のシミュレーションにおけるオーバーヘッドが、理想化されたモデルですら避けられないことを示すこと。
• マージ解像（MR）の証明システムを形式化し、CDCL学習のモデルとして分析すること。

提案手法

• 1エンパワーイング節を用いて学習するCDCLソルバーをモデル化するための新しい証明システム、マージ解像（MR）を導入する。
• すべての推論が両方の前提に共通するリテラル（「マージ」）を含む、制限された解像の形式、すなわちマージ解像（MR）を定義する。
• 学習節が新たなユニットプロパゲーションを可能にするという性質を形式化するための「1エンパワーイング」の概念を用いる。
• 線形長の解像証明を持つが、マージ解像では二次的長の証明を必要とする論理式の族（F(3)m,n,ℓ）を構築する。
• W-公理のみを用いた導出では、リテラルの非エンパワーイング性により、節を再利用できないことを証明する。
• 木構造の導出に関する帰納的議論を用いて、マージ解像が高々線形オーバーヘッドで解像をシミュレートできることを示す。

実験結果

リサーチクエスチョン

• RQ1 CDCLソルバーは、解像証明を高々線形オーバーヘッドでシミュレートできるか、それとも超線形オーバーヘッドは避けられないか？
• RQ2 解像ステップの両方の前提に共通する「マージリテラル」が、CDCL学習の効率性において果たす役割は何か？
• RQ3 CDCLによる解像のシミュレーションにおける多項式的オーバーヘッドはタイトか、それとも低減可能か？
• RQ4 1エンパワーイング学習スキーム（例：1UIP）は、特定の状況下で証明長の爆発を必然的に引き起こすのか？
• RQ5 マージ解像はCDCL学習の本質的複雑性を捉えられるか？ もしそうなら、それは最適か？

主な発見

• 線形長の解像証明を持つ論理式が存在するが、それらはマージ解像では二次的長の証明を必要とし、CDCLシミュレーションにおけるオーバーヘッドがタイトであることを示している。
• 1エンパワーイング学習スキーム（例：1UIP）を用いるCDCLソルバーは、高々線形オーバーヘッドで解像をシミュレートでき、上界が確認されている。
• マージ解像の証明システムは、CDCLソルバーにおける根本的ボトル neck を捉えている：学習節にマージリテラルが必要であること。
• W-公理にのみ依存する導出では、リテラルの非エンパワーイング性のため、マージ解像で導出された節は以前の節を再利用できない。
• 本研究では、CDCLによる解像のシミュレーションにおけるオーバーヘッドは、一般に避けられないことが示され、理想化されたモデルでも同様である。
• 結果として、CDCLによる解像のシミュレーションは証明長の観点から最適ではなく、マージ解像はこの複雑性をタイトに特徴づけていることが示された。