[논문 리뷰] Bayesian Logic Programs

Kristian Kersting, Luc De Raedt|Lirias|2001. 11. 23.

Bayesian Modeling and Causal Inference참고 문헌 42인용 수 167

한 줄 요약

이 논문은 베이지안 네트워크와 확정 문장 논리의 유니피케이션을 통해 지능형 관계형 및 확률적 도메인을 스케일러블하게 모델링할 수 있는 베이지안 논리 프로그램(BLPs)을 소개한다. 지능형 관계형 및 확률적 도메인을 스케일러블하게 모델링할 수 있는 베이지안 논리 프로그램(BLPs)을 소개한다. BLPs는 논리 프로그램의 정성적 구조와 베이지안 네트워크의 정량적 추론을 결합하여, 유한 또는 무한 허브란드 기반에서도 계산 가능한 추론을 보장하면서도, 동적 시스템과 연속 변수를 포함한 관계형 및 확률적 도메인을 모델링할 수 있도록 한다.

ABSTRACT

Bayesian networks provide an elegant formalism for representing and reasoning about uncertainty using probability theory. Theyare a probabilistic extension of propositional logic and, hence, inherit some of the limitations of propositional logic, such as the difficulties to represent objects and relations. We introduce a generalization of Bayesian networks, called Bayesian logic programs, to overcome these limitations. In order to represent objects and relations it combines Bayesian networks with definite clause logic by establishing a one-to-one mapping between ground atoms and random variables. We show that Bayesian logic programs combine the advantages of both definite clause logic and Bayesian networks. This includes the separation of quantitative and qualitative aspects of the model. Furthermore, Bayesian logic programs generalize both Bayesian networks as well as logic programs. So, many ideas developed

연구 동기 및 목표

• 변수 수가 변하는 객체를 포함한 관계형 및 동적 도메인을 모델링하는 데에 한계가 있는 문장형 베이지안 네트워크의 문제점을 해결하기 위해.
• 문장형 표현 방식의 경직성을 극복하기 위해 일阶 논리와 확률적 그래픽 모델을 통합하기 위해.
• 개별 인스턴스(예: 가족, 컴퓨터 네트워크 등)가 아닌 일반적인 확률적 규칙을 표현할 수 있도록 하기 위해.
• 정성적(구조적) 및 정량적(확률적) 구성요소를 명확히 분리하여 모듈성과 재사용성을 유지하는 형식어법을 제공하기 위해.
• 지식 기반 모델 구성 기반의 신뢰할 수 있고 계산 가능한 쿼리 응답 절차를 통해 무한 또는 큰 도메인에서의 추론을 지원하기 위해.

제안 방법

• 확정 문장 논리의 지면 원자와 베이지안 네트워크의 랜덤 변수 사이에 일대일 대응을 수립하기 위해.
• 모델의 정성적 구조를 논리 프로그램(확정 문장)을 사용하여 표현하며, 각 문장이 조건부 확률 분포를 정의하기 위해 사용됨.
• 최소 허브란드 모델을 통해 모든 지면 원자에 대한 결합 확률 분포를 정의함으로써, 고유하고 잘 정의된 베이지안 네트워크의 구조를 보장함.
• 두 단계 쿼리 응답 절차를 사용하기 위해: (1) 논리적 유도(AND/OR 그래프)로부터 지지 네트워크를 구성하고, (2) 결과로 나온 네트워크에 베이지안 추론을 적용함.
• SLD 해석과 AND/OR 그래프를 활용하여 추론을 이끌어내어, 허브란드 기반이 무한하더라도 효율적인 계산이 가능하도록 함.
• 실제 실행을 지원하기 위해 Prolog 기반의 메타인터프리터를 구현하여 지식 기반 모델 구성 및 실행을 지원함.

실험 결과

연구 질문

• RQ1 논리 프로그램의 관계형 표현력과 베이지안 네트워크의 불확실성 추론을 결합할 수 있는 형식어법을 설계할 수 있는가?
• RQ2 지면 원자와 랜덤 변수 사이의 일대일 대응을 어떻게 활용하여 일관되고 유한 또는 무한한 베이지안 네트워크를 정의할 수 있는가?
• RQ3 베이지안 논리 프로그램의 쿼리에 대한 계산 복잡도는 무엇이며, 허브란드 기반이 무한하더라도 추론이 여전히 처리 가능할 수 있는가?
• RQ4 일阶 확률적 프레임워크 내에서 동적 및 연속 변수 모델을 어떻게 표현할 수 있는가?
• RQ5 베이지안 논리 프로그램과 동적 베이지안 네트워크, 스토케스틱 논리 프로그램과 같은 기존의 일阶 확률 모델 간의 관계는 무엇인가?

주요 결과

• 베이지안 논리 프로그램은 베이지안 네트워크와 확정 문장 논리 모두를 일반화하여, 단일 프레임워크 내에서 어떤 베이지안 네트워크나 Prolog 프로그램도 모델링할 수 있음을 보여줌.
• 이 프레임워크는 정성적(논리적) 및 정량적(확률적) 구성요소 사이에 엄격한 분리를 보장하여 모듈성과 해석 가능성 향상.
• 최소 허브란드 모델이 무한하더라도, 쿼리의 유한한 지지 덕분에 모든 잘 정의된 확률적 쿼리는 여전히 계산 가능함.
• 쿼리 응답 절차는 두 단계 전략에 기반함: SLD 해석을 통한 지지 네트워크 구성 및 결과로 나온 베이지안 네트워크에서의 추론.
• 시간적 의존성을 논리 프로그램에 코딩함으로써, 동적 모델(예: 동적 베이지안 네트워크, 히든 마르코프 모델)을 자연스럽게 지원함.
• 실제 실행을 가능하게 하는 단순한 Prolog 메타인터프리터를 구현하여 BLP의 실용적 실행과 지식 기반 모델 구성이 가능해짐.