[논문 리뷰] A Scalable Approximate Model Counter

Supratik Chakraborty, Kuldeep S. Meel외 1명|arXiv (Cornell University)|2013. 06. 24.

Bayesian Modeling and Causal Inference참고 문헌 31인용 수 20

한 줄 요약

이 논문은 CNF 공식에 대해 $(\varepsilon,\delta)$-보장을 높은 신뢰도와 작은 허용 오차로 제공하는 첫 번째 확장 가능한 근사 모델 카운터인 ApproxMC를 제시한다. 이는 진정한 수의 약 $(1+\varepsilon)$ 범위 내에서 모델 수를 추정하기 위해 다항 수의 SAT 솔버 호출을 사용하며, 수만 개의 변수를 가진 벤치마크에서 이론적 한계보다 훨씬 실용적인 정확도를 달성한다.

ABSTRACT

Propositional model counting} (#SAT), i.e., counting the number of satisfying assignments of a propositional formula, is a problem of significant theoretical and practical interest. Due to the inherent complexity of the problem, approximate model counting, which counts the number of satisfying assignments to within given tolerance and confidence level, was proposed as a practical alternative to exact model counting. Yet, approximate model counting has been studied essentially only theoretically. The only reported implementation of approximate model counting, due to Karp and Luby, worked only for DNF formulas. A few existing tools for CNF formulas are bounding model counters; they can handle realistic problem sizes, but fall short of providing counts within given tolerance and confidence, and, thus, are not approximate model counters. We present here a novel algorithm, as well as a reference implementation, that is the first scalable approximate model counter for CNF formulas. The algorithm works by issuing a polynomial number of calls to a SAT solver. Our tool, ApproxMC, scales to formulas with tens of thousands of variables. Careful experimental comparisons show that ApproxMC reports, with high confidence, bounds that are close to the exact count, and also succeeds in reporting bounds with small tolerance and high confidence in cases that are too large for computing exact model counts.

연구 동기 및 목표

• 실제 응용에서 명제 모델 카운팅 ($\#\mathsf{SAT}$)에 대한 정확한 모델 카운터의 확장성 한계를 해결하기 위해.
• 이론적 근사 카운팅과 실용적 구현 사이의 격차를 메우기 위해 CNF 공식을 위한 확장 가능한 알고리즘을 설계하기 위해.
• 기존 도구가 제공하지 못하는 $(\varepsilon,\delta)$-스타일의 보장—허용 오차와 신뢰도—을 근사 수에 적용하기 위해.
• 확장성을 유지하면서도 기존의 경계 기반 카운터보다 더 높은 근사 정확도를 제공하기 위해.

제안 방법

• 반복적인 SAT 질의를 통해 만족 할당 수를 추정하기 위해 해싱과 무작위 보행 기반의 새로운 접근 방식을 사용한다.
• 다양한 경계 기법(예: MiniCount, SampleCount, MBound)을 조합한 하이브리드 방법을 통합하여 상한과 하한을 모두 향상시킨다.
• 이전 연구에서 검증된 바와 같이, 높은 신뢰도 간격을 보장하기 위해 경계 추정에 보수적인 전략을 채택한다 [13].
• 이론적 보장을 확보하기 위해 다항 수의 SAT 솔버 호출을 활용하여 $(\varepsilon,\delta)$-근사 추정을 달성한다.
• 반복적으로 경계를 정밀화하고 간격 크기를 줄이기 위해 MBound 기법의 하이브리드 변형을 구현한다.
• 모든 실험은 정확한 카운터, 근사 카운터, 경계 기반 카운터 간의 공정한 비교를 보장하기 위해 각 도구에 대해 20시간의 타임아웃을 설정하여 수행되었다.

실험 결과

연구 질문

• RQ1 수천 개의 변수를 처리할 수 있도록 확장 가능한 CNF 공식용 근사 모델 카운터를 설계할 수 있는가, 동시에 $(\varepsilon,\delta)$-보장을 유지할 수 있는가?
• RQ2 실제로 ApproxMC의 근사 정확도는 정확한 카운터와 기존의 경계 기반 카운터와 비교해 어떻게 되는가?
• RQ3 큰 복잡도의 공식에서 높은 신뢰도로 작은 간격 크기(즉, 날카로운 경계)를 유지할 수 있는가?
• RQ4 ApproxMC는 간격의 날카움과 정확도 측면에서 최신 경계 기반 카운터를 능가하는가?

주요 결과

• Cachet가 정확한 수를 보고한 95개의 벤치마크에서 ApproxMC는 $(\varepsilon,\delta)$-보장된 간격을 성공적으로 계산했으며, 모든 추정치가 진정한 값의 허용 오차 범위 내에 존재했다.
• 모든 95개의 벤치마크에서 상대 오차의 $L_1$ 노름은 0.033이었으며, 이는 평균 오차가 단지 3.3%에 불과함을 나타내며, 이는 이론적 보장인 $\varepsilon = 0.75$보다 훨씬 낮은 수준이다.
• ApproxMC의 간격 크기는 MiniCount, SampleCount, MBound와 같은 경계 기반 카운터의 것보다 일관되게 작았으며, 더 뛰어난 근사 정확도를 입증했다.
• Cachet는 큰 문제에서 타임아웃에 걸렸지만, ApproxMC는 높은 신뢰도와 작은 허용 오차로 계속해서 간격을 반환했으며, 정확한 카운터를 초월한 확장성을 입증했다.
• ApproxMC는 MiniCount의 상한을 크게 향상시켰고, 보수적인 추정 전략을 사용함에도 불구하고 SampleCount와 MBound의 하한을 향상시켰다.
• 이 도구는 수천 개의 변수를 가진 공식까지 확장 가능했으며, 정확한 카운팅에 비해 너무 큰 문제들에 대해서도 성공적으로 처리했다.