[논문 리뷰] Arjun: An Efficient Independent Support Computation Technique and its Applications to Counting and Sampling

Mate Soos, Kuldeep S. Meel|arXiv (Cornell University)|2021. 10. 18.

Bayesian Modeling and Causal Inference인용 수 4

한 줄 요약

이 논문은 게이트 식별과 가정 기반 SAT 해결을 활용하여 암시적 및 명시적 정의 가능성을 통합함으로써 부울 공식에서 독립적 지지집합을 효율적으로 계산하는 Arjun이라는 알고리즘을 소개한다. Arjun은 해싱 기반 모델 카운터와 샘플러를 크게 향상시켜, 5000초 타임아웃 내에서 ApproxMC4가 387개 더 많은 벤치마크를 카운팅하고, UniGen3가 319개 더 많은 벤치마크를 샘플링할 수 있도록 한다.

ABSTRACT

Given a Boolean formula $\\varphi$ over the set of variables $X$ and a projection set $\\mathcal{P} \\subseteq X$, a subset of variables $\\mathcal{I}$ is independent support of $\\mathcal{P}$ if two solutions agree on $\\mathcal{I}$, then they also agree on $\\mathcal{P}$. The notion of independent support is related to the classical notion of definability dating back to 1901, and have been studied over the decades. Recently, the computational problem of determining independent support for a given formula has attained importance owing to the crucial importance of independent support for hashing-based counting and sampling techniques. In this paper, we design an efficient and scalable independent support computation technique that can handle formulas arising from real-world benchmarks. Our algorithmic framework, called Arjun, employs implicit and explicit definability notions, and is based on a tight integration of gate-identification techniques and assumption-based framework. We demonstrate that augmenting the state of the art model counter ApproxMC4 and sampler UniGen3 with Arjun leads to significant performance improvements. In particular, ApproxMC4 augmented with Arjun counts 387 more benchmarks out of 1896 while UniGen3 augmented with Arjun samples 319 more benchmarks within the same time limit.

연구 동기 및 목표

• 해싱 기반 모델 카운팅과 샘플링에서 확장 가능한 독립적 지지집합 계산의 필수적인 필요성 해결.
• 실제 벤치마크에서 성능이 급격히 떨어지는 기존 도구인 MIS의 한계를 극복.
• 카운팅 및 샘플링 파이프라인에서 SAT 솔버 오버헤드를 줄이기 위해 작은 독립적 지지집합을 효율적으로 식별하는 프레임워크 설계.
• 확장성 향상과 해 공간의 정제를 위해 암시적 및 명시적 정의 가능 기법 통합.
• 최신 근사 카운팅 및 샘플링 도구에서 독립적 지지집합 계산이 핵심 성능 저하 요인임을 입증.

제안 방법

• 정의 가능성 검증과 독립적 지지집합 식별을 효율적으로 수행하기 위해 가정 기반 SAT 해결 프레임워크 활용.
• 기타 변수에 기능적으로 종속된 변수를 식별하기 위해 게이트 식별 기법 통합하여 조기 정제 가능.
• 해결 기반 추론을 통한 암시적 정의 가능성 검사로, 다른 변수에 의해 값이 결정되는 변수 식별.
• SAT 쿼리를 사용한 명시적 정의 가능성 검사로, 변수의 값이 일부 변수의 부분집합에 의해 유일하게 결정되는지 확인.
• 암시적 및 명시적 정의 가능성 단계를 결합하여 이중 단계 알고리즘으로 구현함으로써 정제를 극대화하고 지지집합 크기를 최소화.
• SAT 솔버와의 밀접한 통합 덕분에 이전 도구가 실패하는 대규모 실세계 벤치마크에서도 확장성 확보.

실험 결과

연구 질문

• RQ1 실제 부울 공식에 대해 확장 가능하고 효율적인 독립적 지지집합 계산 기법을 설계할 수 있는가?
• RQ2 암시적 및 명시적 정의 가능성의 조합이 계산된 독립적 지지집합의 품질과 크기에 어떤 영향을 미치는가?
• RQ3 ApproxMC4 및 UniGen3와 같은 기존 도구에 Arjun을 통합할 경우 표준 벤치마크에서 성능 향상 정도는 어떠한가?
• RQ4 Arjun이 계산한 독립적 지지집합이 MIS와 같은 이전 도구보다 더 작고 효과적인가?
• RQ5 Arjun의 성능에서 암시적 정의 가능성 단계와 명시적 정의 가능성 단계의 기여도는 각각 어느 정도인가?

주요 결과

• Arjun은 이전 최고 수준의 도구인 MIS를 뛰어넘어, 5000초 타임아웃 내에서 1896개의 벤치마크 중 387개 더 많은 것을 카운팅하는 데에 성공했다.
• Arjun을 UniGen3에 통합하면, 같은 시간 제한 내에서 MIS + UniGen3보다 319개 더 많은 벤치마크를 샘플링할 수 있었다.
• Arjun + ApproxMC4는 1596개의 벤치마크를 해결했고, ApproxMC4 단독은 1209개, MIS + ApproxMC4는 1262개를 해결한 것으로, 334개의 인스턴스 개선을 보였다.
• 인스턴스 기반으로 볼 때, Arjun + ApproxMC4는 MIS + ApproxMC4보다 일관되게 빠르며, 34초 타임아웃으로도 5000초 내에서 ApproxMC4가 해결할 수 있는 카운팅 결과를 동일하게 달성했다.
• 통합된 암시적 정의 가능성 단계가 명시적 검색 단계보다 성능 기여도가 더 크며, 이는 정제 과정에서의 중요성을 강조한다.
• Arjun의 더 작은 독립적 지지집합 덕분에 XOR 제약 조건 크기와 충돌 절단 길이가 감소하여 SAT 해결 속도 향상.