[論文レビュー] Optimizing the computation of overriding

Piero A. Bonatti, Iliana M. Petrova+1 more|arXiv (Cornell University)|Jul 16, 2015

Logic, Reasoning, and Knowledge参考文献 27被引用数 6

ひとこと要約

本稿では、非単調記述論理 $π\mathcal{DL}^N$ におけるクエリ応答の高速化を目的として、モジュール抽出と楽観的推論の2つの最適化技術を提示している。大規模な知識ベースにおいて顕著な性能向上を達成し、応答時間を1桁以上短縮することで、30,000個以上の公理を有する知識ベースでもリアルタイム推論が可能になった。

ABSTRACT

We introduce optimization techniques for reasoning in DLN---a recently introduced family of nonmonotonic description logics whose characterizing features appear well-suited to model the applicative examples naturally arising in biomedical domains and semantic web access control policies. Such optimizations are validated experimentally on large KBs with more than 30K axioms. Speedups exceed 1 order of magnitude. For the first time, response times compatible with real-time reasoning are obtained with nonmonotonic KBs of this size.

研究の動機と目的

• 30,000個以上の公理を有する大規模知識ベースにスケーリングする際の $π\mathcal{DL}^N$ 推論における性能ボトルネックを解消すること。
• 非単調推論における応答時間の短縮を図り、$π\mathcal{DL}^N$ がバイオメディカルおよびアクセス制御分野に適用可能でかつ計算が tractable であるにもかかわらず、リアルタイム導入が妨げられている現状を改善すること。
• 非単調記述論理 $π\mathcal{DL}^N$ の論理的性質（例えば、継承ブロッキングの欠如やプロトタイプ整合性）を保持する、健全かつ完全な最適化技術の開発。
• 合成的および現実的な知識ベースを用いて、これらの最適化の有効性を検証すること。
• 応答時間がリアルタイムシステムと互換性を持つことを実現することで、非単調推論の実用的導入を可能にすること。

提案手法

• 本稿では、クエリに関連する公理のみに推論を制限するための依存関係解析に基づくモジュール抽出技術を導入し、計算のオーバーヘッドを低減している。
• 本稿では、以前の推論結果を再利用することで、公理の削除にかかるコストを最小限に抑える、インクリメンタル推論を活用した楽観的推論アルゴリズムを提案している。
• モジュール抽出と楽観的推論を組み合わせることで、特に N-フリーの知識ベースにおいて、応答時間をさらに短縮している。
• 本手法は $π\mathcal{DL}^N$ に対して健全かつ完全であることが形式的に証明されており、正しさを保ちつつ効率性を向上させている。
• 最適化手法は、遺伝子オントロジーから抽出された合成的および現実世界のオントロジーも含む、合成的および現実世界の知識ベースを用いて評価されている。公理のうち、除外可能な包含（defeasible inclusions）と通常性概念（normality concepts）の比率が変化する条件で評価されている。
• 実装は OWLAPI を使用しており、公開されているため、再現性とさらなるベンチマークが可能である。

実験結果

リサーチクエスチョン

• RQ1 他の非単調論理で知られる不健全性を考慮しても、$π\mathcal{DL}^N$ におけるモジュール抽出を健全に適用できるか？
• RQ2 クエリ処理中に公理の削除コストを低減するため、$π\mathcal{DL}^N$ におけるインクリメンタル推論をどのように最適化できるか？
• RQ3 モジュール抽出と楽観的推論の組み合わせが、大規模な $π\mathcal{DL}^N$ 知識ベースにおける応答時間にどの程度改善をもたらすか？
• RQ4 20,000個以上の概念名と30,000個の公理を有する現実世界および合成的知識ベースにおいて、どの程度の性能向上が達成可能か？
• RQ5 これらの最適化により、特にバイオメディカルおよびアクセス制御応用分野において、大規模な非単調推論でリアルタイム応答時間を達成できるか？

主な発見

• モジュール抽出と楽観的推論の組み合わせ最適化により、応答時間の10倍を超える高速化が達成され、一部のケースでは最大780倍の高速化が実現した。
• 除外可能な包含（DIs）が15％の知識ベースでは、非最適化時の平均応答時間が90秒以上だったのを、最適化後は0.32秒未満に短縮した（DIs比30％でも同様）。
• N-フリーの知識ベースでは、モジュールベースの手法のみで、非最適化時の応答時間が30分以上だったのを、40秒未満に短縮した（通常性概念が250個でも同様）。
• 楽観的推論手法は、公理の削除回数を著しく削減し、動的知識ベースにおける性能向上に特に効果的であった。
• 通常性概念を含む複雑な役割範囲制約が存在する状況でも、ほとんどのクエリが2秒未塔で完了し、僅か数件のみが40秒を超えた。
• 本研究の結果として、非単調知識ベースがこの規模でリアルタイム推論が可能であることが、初めて実証された。これにより、バイオメディカルおよびセマンティックウェブ応用分野における実用的導入が可能になった。