[논문 리뷰] Encoding Markov Logic Networks in Possibilistic Logic

Ondřej Kuželka, Jesse Davis외 1명|ORCA Online Research @Cardiff (Cardiff University)|2015. 06. 03.

Bayesian Modeling and Causal Inference참고 문헌 27인용 수 4

한 줄 요약

이 논문은 최대사후확률추정(MAP) 추론 결과를 정확히 반영하는 가능도논리이론에 마르코프 논리망(MLNs)을 인코딩하는 방법을 제안한다. 특정 유형의 증거에 대해 두 가지 압축된 인코딩 기법을 도입하여 MLN의 가정, 예측 및 잠재적 오류를 투명하게 해석할 수 있도록 하며, 설명 가능성과 지식 기반 디버깅에 적용 가능하다.

ABSTRACT

Markov logic uses weighted formulas to compactly encode a probability distribution over possible worlds. Despite the use of logical formulas, Markov logic networks (MLNs) can be difficult to interpret, due to the often counter-intuitive meaning of their weights. To address this issue, we propose a method to construct a possibilistic logic theory that exactly captures what can be derived from a given MLN using maximum a posteriori (MAP) inference. Unfortunately, the size of this theory is exponential in general. We therefore also propose two methods which can derive compact theories that still capture MAP inference, but only for specific types of evidence. These theories can be used, among others, to make explicit the hidden assumptions underlying an MLN or to explain the predictions it makes.

연구 동기 및 목표

• 마르코프 논리망(MLNs)의 해석 가능성 문제를 해결하기 위해, 가중치가 직관에 어긋나는 의미를 가지며 개별 공식이 독립적으로 해석하기 어려운 점을 다루기 위함.
• 확률론적 MLNs와 정량적 가능도논리 사이의 격차를 메우기 위해, MLN의 MAP 추론 결과를 정확히 반영하는 가능도논리이론을 구축하기 위함.
• 특정 증거 유형(예: 최대 k개의 리터럴 집합 등)에 대해 MAP 추론의 정확성을 유지하면서 이론 크기를 크게 줄이는 압축된 MLN의 가능도논리 인코딩을 개발하기 위함.
• 실용적인 가능도논리 기반의 MLN 예측 설명, 숨겨진 가정 밝히기, MLN의 구조적 또는 가중치 관련 오류 탐지 기능을 제공하기 위함.
• 불일치나 의도하지 않은 결과를 투명한 논리적 재구성으로 식별함으로써 향후 MLN 수리 작업의 기반을 마련하기 위함.

제안 방법

• MAP 추론이 MLN M에서 발생하는 것과 정확히 일치하도록 가능도논리이론 Θ_M를 구성함으로써, 확률-가능도 변환을 사용하여 전체 가능도논리이론 Θ_M를 생성함.
• 특정 증거 유형(예: 최대 k개의 리터럴로 구성된 집합 등)에 대해 MAP 추론의 정확성을 유지하면서도 이론 크기를 줄이는 두 가지 새로운 방법을 제안함.
• 무지표 MLN의 대칭성을 활용하여, 압축 인코딩 방법 중 하나를 일阶 가능도논리이론으로 승격시켜 관계적 구조에서의 확장 가능한 추론을 가능하게 함.
• 유도된 가능도논리이론을 사용하여 논리적 추론을 수행함으로써 가능한 세계들의 암묵적 순위를 드러내어 MLN의 행동을 투명하고 분석 가능하게 만듦.
• 실제 사례에 인코딩 과정을 적용하여, 갈등적이거나 직관에 어긋나는 함의가 의도하지 않게 유도되는지 확인함.
• 유도된 가능도논리이론을 진단 도구로 활용하여 유도된 논리적 결과를 분석함으로써 MLN의 구조나 가중치를 검증, 설명, 디버깅할 수 있음.

실험 결과

연구 질문

• RQ1 주어진 마르코프 논리망에서의 MAP 추론 결과와 정확히 일치하는 가능도논리이론을 구성할 수 있는가?
• RQ2 그러한 전체 인코딩의 구조적 및 계산적 제약 사항은 무엇이며, 실용적 사용을 위해 이를 완화할 수 있는가?
• RQ3 특정 증거 유형(예: 작은 리터럴 집합 등)에 대해 MAP 추론의 정확성을 유지하는 압축된 가능도논리이론을 유도할 수 있는가?
• RQ4 무지표 MLN의 대칭성을 어떻게 활용하여 압축 인코딩 방법을 일阶 논리로 확장할 수 있는가?
• RQ5 유도된 가능도논리이론을 얼마나 잘 활용하여 MLN의 가정과 예측을 설명하거나 검증하거나 디버깅할 수 있는가?

주요 결과

• 모든 MLN M로부터 MAP 추론이 Θ_M에서의 추론과 논리적으로 동치가 되는 전체 가능도논리이론 Θ_M를 구성할 수 있으며, 이는 의미의 충실도를 보장함.
• 전체 인코딩 Θ_M의 크기는 M에 포함된 공식 수에 대해 지수적으로 증가하므로 대규모 응용에는 실용적이지 않음.
• 특정 증거 유형(예: 작은 리터럴 집합 등)에 대해 MAP 추론의 정확성을 유지하는 두 가지 압축 인코딩 방법을 제안하여 이론 크기를 크게 줄임.
• 압축 인코딩 방법 중 하나를 성공적으로 일阶 수준으로 승격시켜 관계적 MLN에 대한 확장 가능한 추론을 가능하게 함.
• 이러한 방법을 통해 유도된 가능도논리이론은 MLN의 예측을 설명하고 숨겨진 가정을 드러내며 의도하지 않은 논리적 결과를 탐지하는 데 사용할 수 있음.
• 이 접근법은 MLN의 불일치나 잘못된 가중치 할당을 식별하는 진단 분석을 가능하게 하며, 자동화된 MLN 수리로 향한 길을 열어줌.