[논문 리뷰] ASP Essentials: Modelling and Efficient Solving (Invited Paper)

Mark Law, Alessandra Russo|arXiv (Cornell University)|2020. 05. 02.

Logic, Reasoning, and Knowledge참고 문헌 27인용 수 22

한 줄 요약

이 논문은 정답 집합 프로그램(ASPs)의 유도 학습을 위한 ILASP 시스템을 제시한다. 이는 전통적인 인덕티브 논리 프로그래밍(ILP)을 확장하여 일반 규칙, 선택 규칙, 하드 및 움직임 제약 조건을 지원한다. 이 시스템은 반복적인 제약 조건 생성을 통해 확장성과 효율성을 높이는 충돌 기반 학습 프레임워크를 도입하여, 양성, 부정성, 순서 기반 예제로부터 복잡한 비단조화적 논리 프로그램을 효율적으로 학습할 수 있도록 한다. 특히 선호도 학습과 실제 세계 지식 획득에 매우 효과적이다.

ABSTRACT

Answer Set Programming (ASP) is a logic-based Knowledge Representation and Reasoning (KRR) paradigm that facilitates rapid prototyping of solutions for complex problems. It is particularly effective for tackling Deep Reasoning tasks involving exponentially large search spaces, such as combinatorial search and optimization. While getting started with ASP is relatively easy, mastering its advanced constructs and scaling solutions to real-world problem sizes can be challenging. This paper provides an introduction to ASP, guiding the reader from the fundamentals of the language to the application of programming methodologies and the computation of answer sets. Beyond the core framework, the paper also examines selected extensions of ASP that enable the modeling of complex problems, as well as compilation techniques designed to enhance solving efficiency. Furthermore, it mentions some recent tools that combine ASP with LLMs.

연구 동기 및 목표

• 전통적인 프로로그 기반 ILP를 초월하여 예제로부터 정답 집합 프로그램(ASPs)을 학습하기 위한 확장성 있고 일반적인 목적의 시스템을 개발하는 것.
• 기존 ILP 프레임워크의 한계를 보완하기 위해 선택 규칙과 약한 제약 조건과 같은 표현력 있는 ASP 구조를 지원하는 것.
• 선호도 학습을 가능하게 하기 위해 선호되는 해를 지정하는 순서 기반 예제를 통합하는 것.
• 반복적인 제약 기반 학습을 통해 노이즈 데이터, 큰 예제 집합, 큰 검색 공간을 효과적으로 다룰 수 있도록 확장성과 효율성을 향상시키는 것.

제안 방법

• ILASP 시스템은 기존 시스템이 학습할 수 없는 ASP 프로그램을 포함한 전체 클래스의 ASP 프로그램을 학습하기 위해 용감한 추론과 신중한 추론을 결합한 학습 프레임워크를 사용한다.
• 배경 지식, 모드 비어스(규칙 공간을 정의함) 및 세 가지 유형의 예제(양성, 부정성, 약한 제약 조건용 순서 기반 예제)를 사용하여 학습 작업을 모델링한다.
• 각 반복에서 관련 예제를 바탕으로 제약 조건을 생성하는 충돌 기반 접근 방식을 사용하여 해 공간을 반복적으로 개선한다.
• ILASP3는 관련 예제를 커버리지 제약 조건으로 변환하는 예제 번역기(Example Translator)를 도입하여 프로그램 점수를 근사함으로써 효율적인 검색을 이끌어내는 데 기여한다.
• 이러한 근사를 사용하여 프로그램 검색은 최적의 가설을 찾고, 예측된 커버리지에 해당하는 예제 내에서 관련 예제 검색을 통해 검증한다.
• ILASP4는 더 이상 충분한 조건이 아닌 필요 조건만 생성함으로써 반복당 계산 비용을 줄이며, 이는 더 많은 반복이 발생할 수 있음에도 불구하고 성능을 향상시킨다.

실험 결과

연구 질문

• RQ1 일반적인 목적의 ILP 시스템이 기존의 용감하거나 신중한 ILP 프레임워크로는 학습이 불가능한 선택 규칙과 약한 제약 조건을 포함한 정답 집합 프로그램의 전체 클래스를 학습할 수 있는가?
• RQ2 큰 예제 집합, 노이즈 데이터, 큰 검색 공간을 다룰 수 있도록 ILP 시스템의 확장성을 어떻게 향상시킬 수 있는가? 동시에 정확성과 최적성은 유지되어야 한다.
• RQ3 제약 기반 충돌 기반 검색이 ASP에 대한 인덕티브 논리 프로그래밍의 효율성과 수렴성에 어떤 영향을 미치는가?
• RQ4 규칙 공간을 효과적으로 잘라내어 전체 순열을 방지할 수 있으며, 실제로 확장성 향상에 어떻게 기여하는가?
• RQ5 선호도 학습은 어떻게 형식화하고 지원할 수 있으며, 선호되는 해를 지정하는 순서 기반 예제를 통해 ILP에서 어떻게 실현할 수 있는가?

주요 결과

• ILASP는 기존 시스템이 처리할 수 없었던 선택 규칙과 약한 제약 조건을 포함한 정답 집합 프로그램의 전체 클래스를 학습할 수 있다.
• 약한 제약 조건의 통합은 선호도 학습을 가능하게 하여 사용자가 선호하는 솔루션의 예제로부터 사용자 선호도를 유추할 수 있도록 한다.
• ILASP3는 커버리지 제약 조건을 사용하여 프로그램 점수를 근사함으로써 ILASP2i에 비해 반복 횟수를 줄이며 확장성에 크게 기여한다.
• ILASP3 및 ILASP4의 충돌 기반 접근 방식은 예제 커버리지에 필요한 제약 조건을 생성함으로써 검색 공간을 줄여 효율성을 향상시킨다. 이는 제약 조건 크기가 더 크더라도 성능 향상에 기여한다.
• ILASP에서 유도된 새로운 알고리즘인 FastLAS는 규칙 공간의 OPT-충분 부분집합을 계산하여 그 크기를 수 개의 주기로 줄이며, Clingo를 사용한 단일 스타일 솔빙을 가능하게 한다.
• ILASP4의 제약 조건 생성을 필수 조건으로만 허용함으로써 반복당 제약 조건의 크기와 처리 시간을 줄여, 더 많은 반복이 발생하더라도 성능 향상이 이루어진다.