[논문 리뷰] Grounding Recursive Aggregates: Preliminary Report

Martin Gebser, Roland Kaminski외 1명|arXiv (Cornell University)|2016. 03. 12.

Logic, Reasoning, and Knowledge참고 문헌 16인용 수 6

한 줄 요약

이 논문은 응답 집합 프로그래밍에서 재귀 집합을 효율적으로 처리하기 위해 반-비잔티노스 데이터베이스 평가 기법을 활용하는 새로운 기반 프레임워크를 제안한다. 기반 확장과 집합 전파, 안전한 본 순서 정렬을 통해 안정 모델의 효율적이고 증분적인 계산을 가능하게 하며, 회사 통제 문제에 적용된 결과에서 64개의 잠재적 기반 규칙 대비 단 4개의 관련 기반 규칙만 생성됨을 보여주었다.

ABSTRACT

Problem solving in Answer Set Programming consists of two steps, a first grounding phase, systematically replacing all variables by terms, and a second solving phase computing the stable models of the obtained ground program. An intricate part of both phases is the treatment of aggregates, which are popular language constructs that allow for expressing properties over sets. In this paper, we elaborate upon the treatment of aggregates during grounding in Gringo series 4. Consequently, our approach is applicable to grounding based on semi-naive database evaluation techniques. In particular, we provide a series of algorithms detailing the treatment of recursive aggregates and illustrate this by a running example.

연구 동기 및 목표

• 응답 집합 프로그래밍에서 재귀 집합을 포함하는 논리 프로그램의 기반 설정을 효율적으로 다루는 데 목적이 있다.
• 반-비잔티노스 데이터베이스 평가 기법을 확장하여 재귀 집합을 지원하면서도 중복된 규칙 생성을 피하는 데 목적이 있다.
• 도메인 술어나 언어 제약 없이 재귀 집합을 포함하는 프로그램의 확장 가능한 기반 설정을 가능하게 하는 데 목적이 있다.
• 기존의 기반 설정 파이프라인(예: gringo 시리즈 4)에 집합 처리를 통합하여 최소한의 수정으로 구현하는 데 목적이 있다.
• 집합에 대해 Ferraris의 의미론에 따라 정확성과 효율성을 보장하는 데 목적이 있다.

제안 방법

• 해브란드 기반을 반-비잔티노스 평가 전략을 사용해 점진적으로 구축하며, 각 반복에서 새로 생성된 원소에만 집중한다.
• 이전 반복에서 누적된 값 기반으로 집합 원소를 계산하는 새로운 전파 단계를 도입하여 재귀적 의존성을 가능하게 한다.
• 재귀 원소(예: 하첨스 'n')를 우선순위로 배치함으로써 규칙 인스턴스화 중 백트래킹을 최소화하기 위해 안전한 본 순서 정렬을 적용한다.
• 집합을 포함하는 프로그램을 표준 기반 설정이 가능하도록 하는 등가 형태로 재작성한 후, 기반 집합을 재구성하기 위해 후처리를 수행한다.
• Propagate 함수를 확장하여 다양한 집합 함수(예: sum, sum+, count, min, max)를 지원한다.
• 이 방법은 Ferraris의 의미론에 엄밀히 기반하며, gringo와 같은 기존의 ASP 기반 설정 시스템과 통합 가능하다.

실험 결과

연구 질문

• RQ1 재귀 집합을 포함하는 응답 집합 프로그래밍에서 중복된 규칙 생성 없이 효율적으로 기반 설정을 수행하는 방법은 무엇인가?
• RQ2 재귀 집합을 지원하면서도 정확성을 유지하기 위해 반-비잔티노스 평가에 어떤 수정이 필요한가?
• RQ3 안전한 본 순서 정렬은 재귀 집합이 존재하는 상황에서 규칙 인스턴스화 중 백트래킹을 어떻게 줄일 수 있는가?
• RQ4 기존의 ASP 기반 설정 도구(예: gringo)에 재귀 집합의 기반 설정을 통합할 수 있는가? 이 경우 도메인 술어나 언어 제약 없이 가능할 수 있는가?
• RQ5 집합의 단조성과 분류 구조는 기반 설정의 효율성과 정확성에 어떤 영향을 미치는가?

주요 결과

• 제안된 방법은 회사 통제 문제의 기반 설정을 64개의 잠재적 기반 규칙에서 단 4개의 관련 규칙으로 줄여 뚜렷한 효율성 향상을 보였다.
• 안전한 본 순서 정렬과 집합 전파를 통해 규칙 인스턴스화 중 백트래킹을 방지하여 성능 향상을 이뤘다.
• 이 방법은 재귀가 존재하는 상황에서도 Ferraris의 의미론에 따라 정확하게 처리하여 의미론적 정확성을 보장한다.
• 이 방법은 일반적이고 확장 가능하여 gringo 시리즈 4에서 sum, sum+, count, min, max 등의 다양한 집합 함수를 지원한다.
• 표준 반-비잔티노스 기반 설정 기법을 재사용하고 집합 전파 단계를 전용으로 추가함으로써 기존의 ASP 파이프라인에 쉽게 통합할 수 있다.
• gringo 시리즈 4에서의 구현 결과, 이전 시스템과 달리 ω- 또는 λ-제약 없이도 재귀 집합이 효율적으로 기반 설정됨을 확인했다.