[논문 리뷰] From Causes for Database Queries to Repairs and Model-Based Diagnosis and Back

Babak Salimi, Leopoldo Bertossi|arXiv (Cornell University)|2014. 12. 14.

Scientific Computing and Data Management참고 문헌 61인용 수 13

한 줄 요약

이 논문은 데이터베이스 쿼리 결과의 인과성, 부정 제약 조건 하에서의 데이터베이스 복구, 일致성 기반 진단 간 이원적 연결을 수립한다. 인과성 문제를 진단 작업으로 재해석하고 복구 계산 기법을 활용함으로써, 특히 고정-파rameter 트랙터블 알고리즘과 데이터 복잡도에서의 복잡도 분류를 포함한 조건부 쿼리에서 실제 원인과 그 책임을 규명하기 위한 새로운 알고리즘적 및 복잡도 결과를 도출한다.

ABSTRACT

In this work we establish and investigate connections between causality for query answers in databases, database repairs wrt. denial constraints, and consistency-based diagnosis. The first two are relatively new problems in databases, and the third one is an established subject in knowledge representation. We show how to obtain database repairs from causes and the other way around. Causality problems are formulated as diagnosis problems, and the diagnoses provide causes and their responsibilities. The vast body of research on database repairs can be applied to the newer problem of determining actual causes for query answers and their responsibilities. These connections, which are interesting per se, allow us, after a transition -inspired by consistency-based diagnosis- to computational problems on hitting sets and vertex covers in hypergraphs, to obtain several new algorithmic and complexity results for causality in databases.

연구 동기 및 목표

• 데이터베이스 쿼리 결과의 인과성, 부정 제약 조건 하에서의 데이터베이스 복구, 일치성 기반 진단 간 공식적 연결을 수립하기 위해.
• 실제 원인과 그 책임을 계산하는 것이 진단 추론 문제로 환원될 수 있음을 보이기 위해.
• 복구 및 진단 분야에서 기존의 알고리즘과 복잡도 결과를 활용하여 데이터베이스 인과성에 대한 새로운 발견을 도출하기 위해.
• 특히 조인 쿼리에 대해 복구 기반 기법—예를 들어, 초그래프에서의 히팅 세트와 정점 커버—을 인과성 문제에 적용할 수 있도록 하기 위해.

제안 방법

• 데이터베이스를 시스템 기술로 모델링하고 쿼리 결과를 예기치 않은 관찰로 간주함으로써, 인과성 문제를 일치성 기반 진단 작업으로 재구성한다.
• 데이터베이스와 쿼리의 논리적 재구성을 통해 실제 인과성과 진단을 맵핑하며, 여기서 원인이 최소 진단에 해당함을 보장한다.
• 부정 제약 조건과 쿼리 구조에서 유도된 초그래프에서의 히팅 세트 및 정점 커버 문제로 원인과 책임 계산을 환원한다.
• 진단 및 복구 이론에서 알려진 복잡도 결과를 적용하여 데이터 복잡도에서 인과성 문제의 복잡도 분류를 유추한다.
• 특히 조인 쿼리의 합성에 대해 복구와 진단 간의 이중성에 기반한 원인과 책임 계산 알고리즘을 개발한다.
• 응답 집합 프로그래밍(ASP)을 사용하여 S-복구와 C-복구를 명시하고 추론함으로써, 추론적 및 진단적 추론과의 통합을 가능하게 한다.

실험 결과

연구 질문

• RQ1 부정 제약 조건 하에서의 데이터베이스 복구와 관련하여, 조건부 쿼리 결과에 대한 실제 원인을 체계적으로 어떻게 연결할 수 있는가?
• RQ2 데이터베이스에서 인과성, 진단, 복구 문제 간의 정확한 계산적 관계는 무엇인가?
• RQ3 일치성 기반 진단에서 유래한 기법을 사용하여 데이터베이스 인과성에 대한 새로운 복잡도 결과를 도출할 수 있는가?
• RQ4 부정 제약 조건에서 유도된 초그래프에서의 최소 히팅 세트 및 정점 커버와 원인의 책임 측정치는 어떻게 관련되는가?
• RQ5 내생적 복구—내생적 튜플의 업데이트에만 기반한 복구—를 사용하여 사용자 데이터 소스에 대한 제어를 반영하는 방식으로 원인을 선호하거나 걸러낼 수 있는가?

주요 결과

• 부정적 조건부 쿼리에 대한 실제 원인과 기저 데이터베이스 인스턴스의 부분집합 또는 카디널리티 복구 간 정확한 특성화가 수립된다.
• 실제 원인과 책임 계산은 진단 문제 해결으로 환원되며, 이는 기존의 진단 알고리즘과 복잡도 결과의 적용을 가능하게 한다.
• 특히 치수 집합의 크기 또는 초그래프 구조로 매개변수화할 경우, 인과성 문제에 대한 고정-파rameter 트랙터블 알고리즘을 도출한다.
• 데이터 복잡도에서 인과성의 복잡도 결과를 도출하여, 특정 조건 하에서 실제 원인과 책임을 결정하는 것이 각각 NP 및 co-NP에 속함을 보여준다.
• 인과성과 복구 간의 연결 덕분에, 히팅 세트 및 정점 커버 기법을 활용하여 특정 경우에 효율적으로 원인을 분석하고 계산할 수 있다.
• 내생적 복구—내생적 튜플의 변경에만 기반한 복구—가 원인 설명에서 원인을 걸러내거나 우선순위를 정하는 데 실용적인 선호 메커니즘으로 기능할 수 있음이 입증된다.