[論文レビュー] Proof-Pattern Recognition and Lemma Discovery in ACL2

Jónathan Heras, Ekaterina Komendantskaya+2 more|arXiv (Cornell University)|Aug 8, 2013

Natural Language Processing Techniques参考文献 14被引用数 6

ひとこと要約

本稿では、ACL2 theorem proverにおける記号的lemmam発見と統計的機械学習による証明パターン認識を統合したハイブリッドシステム、ACL2(ml)を提案する。項木に基づく特徴抽出を用いて類似する定理をクラスタリングし、類似性に基づくlemmam生成を適用することで、ACL2(ml)は複雑な理論において高い可換性を示す場合でも、純記号的ツール（例：QuickSpec）に比べてメモリ使用量と関連性の面で優れている。

ABSTRACT

We present a novel technique for combining statistical machine learning for proof-pattern recognition with symbolic methods for lemma discovery. The resulting tool, ACL2(ml), gathers proof statistics and uses statistical pattern-recognition to pre-processes data from libraries, and then suggests auxiliary lemmas in new proofs by analogy with already seen examples. This paper presents the implementation of ACL2(ml) alongside theoretical descriptions of the proof-pattern recognition and lemma discovery methods involved in it.

研究の動機と目的

• 大規模なインタラクティブ定理証明ライブラリにおける知識再利用の非効率性という課題に対処すること。
• 類推による自動化により、ユーザーが補助lemmamを手動で発見する負担を軽減すること。
• 統計的パターン認識と記号的推論を組み合わせることで、より効果的かつスケーラブルなlemmam発見を実現すること。
• インタラクティブ定理証明システムが歴史的証明から学び、新しい証明試行に一般化できること。
• QuickSpecのような純記号的システムに見られる、項生成における指数的爆発とメモリ枯渇という限界を克服すること。

提案手法

• ACL2の定理から項木を用いて構文的・構造的パターンを表現する特徴抽出。
• 抽出された特徴に基づく統計的クラスタリングにより、類似証明のグループ（ファミリー）を同定。
• クラスタリング結果をEmacsインターフェースに統合し、証明開発中にリアルタイムフィードバックを提供。
• 記号的lemmam類推：同じクラスタ内に属する類似定理の既知lemmamを変換して候補lemmamを生成。
• 現在未証明の予想の証明文脈を用いて類推ベースのlemmam生成をガイドし、探索空間を削減。
• ACL2の1階論理およびリライトに基づく証明スタイルに特化した、ML4PGスタイルのパターン認識の改良版（特徴抽出とクラスタリングの強化）。

実験結果

リサーチクエスチョン

• RQ1 統計的パターン認識は、大規模なACL2証明ライブラリにおいて、類似定理のファミリーを効果的に同定できるか？
• RQ2 類似定理からの類推ベースのlemmam生成は、ブルートフォースな記号的手法に比べ、lemmam発見の効率性と関連性を向上させられるか？
• RQ3 統計的クラスタリングと記号的類推の統合は、複雑な理論におけるlemmam発見の計算コストをどの程度低減できるか？
• RQ4 ACL2(ml)は、QuickSpecのような項生成ベースのシステムで一般的なメモリ枯渇問題をどの程度回避できるか？
• RQ5 直接的な項変換が失敗する場合でも、構造的には異なるが概念的に類似したlemmamを発見できるか？

主な発見

• ACL2(ml)は、構造的差異があるにもかかわらず、revrevとint-x-xといった定理を同じファミリーにクラスタリングし、跨定理のlemmam転送を可能にした。
• 類推ツールは、ほとんどの場合、1つの関連性のあるlemmamを1つのターゲット定理に対して生成し、QuickSpecの多数の無効な結果セットに比べて出力の肥大化を顕著に低減した。
• 高可換性関数（例：尾再帰的乗算）を含む計算集約的ケースでは、QuickSpecはメモリ枯渇（OoM）を起こしたが、ACL2(ml)は効率的であった。
• fib定理に関しては、fib-fib-tailから出発した場合、ACL2(ml)はlemmamの生成に失敗した。これは、lemmamの単純化や構造の削除を処理できないという制限を示している。
• 現在のところ、条件付きlemmamの生成や、サブセットチェック用のsubp述語のような新しい概念の創出ができないため、複雑な論理的条件や定義の処理にギャップがある。
• 証明文脈とクラスタリングによるガイド付き探索のおかげで、ACL2(ml)は特に組合せ的複雑性の高い理論において、速度とメモリ使用量の両面でQuickSpecを上回った。