[논문 리뷰] Each normal logic program has a 2-valued Minimal Hypotheses semantics

Alexandre Miguel Pinto, Luı́s Moniz Pereira|arXiv (Cornell University)|2011. 08. 29.

Logic, Reasoning, and Knowledge참고 문헌 19인용 수 7

한 줄 요약

이 논문은 안정 모델 의미론을 일반화하고, 추론 기반 및 추론 기반 의미론을 통합하는 통일된 프레임워크를 제공하는, 정규 논리 프로그램(NLPs)을 위한 2가지 값의 최소 가설(MH) 의미론을 제안한다. 이 의미론은 최소한의 양성 가설을 가정함으로써 모델 존재성, 관련성, 누적성을 보장한다.

ABSTRACT

In this paper we explore a unifying approach --- that of hypotheses assumption --- as a means to provide a semantics for all Normal Logic Programs (NLPs), the Minimal Hypotheses (MH) semantics. This semantics takes a positive hypotheses assumption approach as a means to guarantee the desirable properties of model existence, relevance and cumulativity, and of generalizing the Stable Models in the process. To do so we first introduce the fundamental semantic concept of minimality of assumed positive hypotheses, define the MH semantics, and analyze the semantics' properties and applicability. Indeed, abductive Logic Programming can be conceptually captured by a strategy centered on the assumption of abducibles (or hypotheses). Likewise, the Argumentation perspective of Logic Programs also lends itself to an arguments (or hypotheses) assumption approach. Previous works on Abduction have depicted the atoms of default negated literals in NLPs as abducibles, i.e., assumable hypotheses. We take a complementary and more general view than these works to NLP semantics by employing positive hypotheses instead.

연구 동기 및 목표

• 모든 정규 논리 프로그램(NLPs)에 대해 모델 존재성을 보장하는 통합적이고 2가지 값의 의미론을 제공하는 것.
• 특히 복잡하거나 대규모 지식 기반에서 모델 존재성과 관련성 보장의 부족함을 해결하기 위해 기존 의미론의 한계를 극복하는 것.
• 기본 부정 또는 부정적 가설에 의존하지 않고, 양성 가설 가정 접근법을 도입함으로써 안정 모델 의미론을 일반화하는 것.
• 가설 최소성에 기반한 동일한 프레임워크 내에서 추론 기반 추론과 논증 기반 의미론을 통합하는 것.
• 모델 전체의 기반화를 피하고 관련성과 누적성을 활용함으로써 효율적인 목표 지향 쿼리 응답을 지원하는 것.

제안 방법

• 결론을 도출하기 위해 필요한 가설만을 포함하는 최소한의 양성 가설의 개념을 정의함으로써 핵심 의미론적 메커니즘을 제공한다.
• 고전적 지지와 순환 없는 의존성 체인을 구분하기 위해 层화된 지지(layered support)의 개념을 도입함으로써 의미론의 정밀도를 향상시킨다.
• 가정된 양성 가설을 추가한 프로그램의 최소 모델로 MH 의미론을 구성함으로써 일관성과 최소성을 보장한다.
• 가설을 증명 가능한 양성 리터럴로 간주하여 관찰를 설명하는 데 사용함으로써, MH 의미론을 통해 추론 기반 추론을 포괄한다.
• 논증을 양성 가설의 집합으로 모델링함으로써 의미론을 논증 시스템에 적용하고, Dung의 선호 확장(preferred extensions)을 일반화한다.
• 전체 프로그램의 기반화를 피하고 관련성 기반의 상향식 쿼리 해결을 통해 계산 효율성을 확보한다.

실험 결과

연구 질문

• RQ1 모든 정규 논리 프로그램에 대해 기본 부정이나 부정적 가설에 의존하지 않고도 모델 존재성을 보장하는 2가지 값의 의미론을 정의할 수 있는가?
• RQ2 양성 가설을 사용하여 추론 기반 추론과 논증 기반 의미론을 동일한 프레임워크 내에서 어떻게 통합할 수 있는가?
• RQ3 MH 의미론은 관련성, 누적성, 계산 효율성 측면에서 안정 모델 의미론보다 어떻게 일반화되거나 향상되는가?
• RQ4 층화된 지지 메커니즘은 고전적 지지 방식을 어떻게 개선하여 순환적 의존성을 더 잘 다루는가?
• RQ5 MH 의미론은 전체 프로그램의 기반화를 피하고 증분 계산을 가능하게 하여 효율적인 목표 지향 쿼리 응답을 지원할 수 있는가?

주요 결과

• 모든 정규 논리 프로그램은 모델 존재성을 보장하는 2가지 값의 최소 가설(MH) 의미론을 갖는다. 이는 안정 모델이 없는 프로그램을 포함한 모든 프로그램에 대해 성립한다.
• MH 의미론은 관련성과 누적성을 만족하여, 전체 기반화 없이도 효율적인 상향식 쿼리 해결이 가능하다.
• MH 의미론은 부정적 가설 가정을 양성 가설 가정으로 대체함으로써 안정 모델 의미론을 일반화하며, 추론 기반 추론에 더 자연스러운 기초를 제공한다.
• 층화된 지지 방식은 순환 의존성에 기인한 리터럴을 제외함으로써 고전적 지지 방식을 개선하여 순환 의존성이 존재하는 상황에서 의미론의 정밀도를 향상시킨다.
• MH 의미론은 논증을 최소한의 양성 가설 집합으로 모델링함으로써 논증 프레임워크를 지원하며, Dung의 선호 확장을 일반화한다.
• 이 접근법은 관련 하위 프로그램으로의 계산을 제한하고 브랜치 간 진리값을 캐시함으로써 계산 오버헤드를 줄이며, 효율적인 쿼리 응답을 가능하게 한다.