[논문 리뷰] Answer Set Programming for Stream Reasoning

Martin Gebser, Torsten Grote외 4명|arXiv (Cornell University)|2013. 01. 08.

Logic, Reasoning, and Knowledge참고 문헌 20인용 수 10

한 줄 요약

이 논문은 지속적인 데이터 스트림의 슬라이딩 윈도우 상에서 효율적이고 지식 집약적인 스트림 추론을 가능하게 하기 위해 Answer Set Programming (ASP)를 위한 시간에 따라 감쇠하는 논리 프로그램을 도입한다. 정적 지식을 사전에 인코딩하고, 일시적인 입력을 통해 규칙을 동적으로 활성화함으로써, 갈등 기반 학습을 통한 증분 추론을 지원하며, 단순한 재기반화 대비 성능을 크게 향상시켜 로봇 공학 및 앰비언트 어시스티드 라이빙과 같은 동적 도메인에서 확장 가능한 추론을 가능하게 한다.

ABSTRACT

The advance of Internet and Sensor technology has brought about new challenges evoked by the emergence of continuous data streams. Beyond rapid data processing, application areas like ambient assisted living, robotics, or dynamic scheduling involve complex reasoning tasks. We address such scenarios and elaborate upon approaches to knowledge-intense stream reasoning, based on Answer Set Programming (ASP). While traditional ASP methods are devised for singular problem solving, we develop new techniques to formulate and process problems dealing with emerging as well as expiring data in a seamless way.

연구 동기 및 목표

• 기존 데이터 스트림 관리 시스템이 고속 처리에 집중하면서 의미론적 추론 능력이 부족한 점을 보완하기 위해.
• 지속적으로 변화하고 만료되는 데이터를 다루어야 하는 앰비언트 어시스티드 라이빙, 로봇 공학, 스케줄링과 같은 동적 도메인에서 지식 집약적인 스트림 추론을 가능하게 하기 위해.
• Answer Set Programming (ASP) 기반의 선언적 모델링 프레임워크를 개발하여, 지속적인 스트림에서 데이터의 출현과 만료를 원활하게 처리할 수 있도록 하기 위해.
• 정적 지식과 동적 데이터를 분리하여 재기반화의 계산 오버헤드를 줄이고, 효율적인 증분 추론을 가능하게 하기 위해.
• 시간 민감한 슬라이딩 윈도우 환경에서, 예를 들어 프레임 공리와 같은 기본 추론을 정확하게 통합하고 만료시킬 수 있도록 하기 위해.

제안 방법

• 시간 감쇠 논리 프로그램을 사용하여 규칙과 원소에 수명 주기를 할당함으로써, 지속적인 스트림에서 데이터의 출현과 만료를 모델링한다.
• 정적, 누적, 일시적 규칙 구성 요소를 분리하기 위해 oclingo 시스템에 #base, #cumulative, #volatile 지시어를 확장한다.
• 정적 지식(#base를 통해)은 사전에 한 번만 기반화되며, 동적 입력(#volatile 및 #step 지시어를 통해)은 각 단계에서 증분적으로 통합된다.
• 시스템은 단계 간에 명제 원소와 제약 조건을 재사용하며, 갈등 기반 학습을 활용하여 추론 속도를 가속화한다.
• 프레임 공리는 시간 슬롯 동안 기본적인 지속성을 유지할 수 있도록 인코딩되며, 시간 감쇠 규칙 수명 주기를 통해 만료가 관리된다.
• 고정된 명제 표현을 유지함으로써 연속 쿼리 처리를 지원하며, 각 윈도우에서 활성화된 부분만 활성화된다.

실험 결과

연구 질문

• RQ1 Answer Set Programming는 시간에 따라 변화하는 콘텐츠를 가진 데이터 스트림에 대해 지속적이고 지식 집약적인 추론을 어떻게 지원할 수 있는가?
• RQ2 정적 지식과 동적 데이터를 어떻게 분리하여 증분 스트림 처리에서 재기반화 오버헤드를 최소화할 수 있는가?
• RQ3 슬라이딩 윈도우 모델에서, 예를 들어 프레임 공리와 같은 기본 추론은 어떻게 정확하게 유지하고 만료시킬 수 있는가?
• RQ4 반응형 ASP에서 스트림 추론을 위한 정적 및 누적 인코딩 전략 간의 성능 상충 관계는 무엇인가?
• RQ5 데이터 만료가 발생하는 스트림 처리 환경에서 갈등 기반 학습이 단계 간에 효과적으로 재사용될 수 있는가?

주요 결과

• 초기 설정 단계 이후 oclingo의 정적 인코딩 전략은 각 단계에서 규칙 재구성 비용이 줄어들어 누적 변형보다 성능이 뛰어나다.
• 초기 불만족 가능한 쿼리 이후, 정적 인코딩을 사용하는 oclingo는 불만족 가능한 쿼리에 대해 clingo를 초월할 수 있으며, 학습된 제약 조건을 재사용하기 때문이다.
• 원형 oclingo 시스템은 비록 불필요한 제약 조건이 정확히 삭제되었지만, 만료된 원소를 추적하는 데서 발생하는 메모리 오버헤드로 인해 clingo에 비해 성능이 열 劣하다.
• 정적 인코딩은 초기 설정 시간이 더 오래 걸리지만, 새로운 작업 요청에 대해 반복적인 규칙 펼침을 방지함으로써 장기적으로 더 나은 성능을 달성한다.
• 일부 작업 스케줄링 벤치마크에서 불만족 가능한 쿼리가 누적 인코딩을 통해 더 빠르게 해결되었으며, 특히 스트림의 후반 단계에서 두드러졌다.
• 결과적으로 갈등 기반 학습이 동일한 불만족 이유가 여러 쿼리에 걸쳐 지속될 경우 추론 속도를 크게 향상시킨다는 점이 입증되었다.