[논문 리뷰] Lower Bounds for Exact Model Counting and Applications in Probabilistic Databases

Paul Beame, Jerry Li외 2명|arXiv (Cornell University)|2013. 09. 26.

Bayesian Modeling and Causal Inference참고 문헌 22인용 수 13

한 줄 요약

이 논문은 특정 유형의 공식에 대해 결정성-DNNF 표현 방식이 지수적 크기의 필요성을 보여줌으로써 부울 공식에서 정확한 모델 수세기의 지수적 하한을 확립한다. 결정성-DNNF 표현 방식은 최신 모델 카운터에서 사용되는 자료 구조이지만, 일부 공식 유형에 대해서는 지수적 크기를 요구한다. 저자들은 결정성-DNNF를 자유형 이진 결정 다이어그램(FBDD)으로 감소시켜 기존의 FBDD 하한을 활용하여 정확한 모델 수세기가 이러한 공식에 대해 본질적으로 비용이 많이 든다는 것을 증명한다. 이는 이러한 수세기가 필수적인 확률적 데이터베이스의 쿼리 평가에 직접적인 영향을 미친다.

ABSTRACT

The best current methods for exactly computing the number of satisfying assignments, or the satisfying probability, of Boolean formulas can be seen, either directly or indirectly, as building 'decision-DNNF' (decision decomposable negation normal form) representations of the input Boolean formulas. Decision-DNNFs are a special case of 'd-DNNF's where 'd' stands for 'deterministic'. We show that any decision-DNNF can be converted into an equivalent 'FBDD' (free binary decision diagram) -- also known as a 'read-once branching program' (ROBP or 1-BP) -- with only a quasipolynomial increase in representation size in general, and with only a polynomial increase in size in the special case of monotone k-DNF formulas. Leveraging known exponential lower bounds for FBDDs, we then obtain similar exponential lower bounds for decision-DNNFs which provide lower bounds for the recent algorithms. We also separate the power of decision-DNNFs from d-DNNFs and a generalization of decision-DNNFs known as AND-FBDDs. Finally we show how these imply exponential lower bounds for natural problems associated with probabilistic databases.

연구 동기 및 목표

• 확률적 데이터베이스에서 사용되는 부울 공식에서 정확한 모델 수세기의 본질적 계산 한계를 규명하는 것.
• 현대 모델 카운터의 핵심 자료 구조인 결정성-DNNF 표현의 공간 복잡도를 분석하는 것.
• 모노톤 또는 구조화된 조건이더라도 일부 공식 유형에 대해 결정성-DNNF가 효율적으로 표현될 수 없음을 보여주는 것.
• 기존의 FBDD 하한이 결정성-DNNF에 대해 해당하는 하한을 이끌어내어 특정 공식 유형에 대해 효율적인 정확한 수세기가 불가능함을 증명하는 것.
• 이러한 이론적 결과를 확률적 데이터베이스의 실제 문제, 특히 쿼리 평가 및 쿼리 최적화에 적용하는 것.

제안 방법

• 저자들은 결정성-DNNF 표현 방식을 자유형 이진 결정 다이어그램(FBDD)으로 감소시키며, 일반적으로 약 다항식 크기 증가를 보이고, 모노톤 k-DNF의 경우 다항식 크기 증가를 보인다.
• 특정 부울 함수에 대해 알려진 FBDD의 지수적 하한을 활용하여 결정성-DNNF에 대한 대응하는 하한을 유도한다.
• 감소 과정은 결정성-DNNF의 구조적 특성, 특히 결정성과 분해 가능성에 기반하여 변환 중 크기 유지와 정확성을 보장한다.
• 논문은 FBDD의 일반화로 AND-FBDD를 도입하고, 결정성-DNNF와의 표현력 비교를 통해 그들의 계산 능력 차이를 분석한다.
• 이론적 분석은 회로 복잡도 및 결정 다이어그램 하한 이론을 포함한 계산 복잡도 이론에 기반한다.
• 결과는 쿼리 평가를 모델 수세기로 모델링함으로써 확률적 데이터베이스에 적용되며, 일부 쿼리가 정확하게 평가하기 위해 지수 시간이 소요됨을 보여준다.

실험 결과

연구 질문

• RQ1 일반 부울 공식에 대해 결정성-DNNF 표현 방식을 FBDD로 효율적으로 압축할 수 있는가?
• RQ2 모노톤 k-DNF 공식에 대해 결정성-DNNF의 본질적 공간 복잡도 한계는 무엇인가?
• RQ3 기존의 FBDD에 대한 지수적 하한이 결정성-DNNF로 확장될 수 있으며, 만약 가능하면 어떤 조건에서 가능할까?
• RQ4 표현력 측면에서 결정성-DNNF는 d-DNNF 및 AND-FBDD와 어떻게 비교되며, 이는 모델 수세기에 어떤 영향을 미치는가?
• RQ5 이러한 이론적 하한이 확률적 데이터베이스에서 정확한 쿼리 평가에 실질적인 영향을 미치는가?

주요 결과

• 모든 결정성-DNNF는 일반적으로 약 다항식 크기 증가를 동반하여 등가의 FBDD로 변환될 수 있으며, 모노톤 k-DNF 공식의 경우 다항식 크기 증가를 보인다.
• 특정 부울 함수에 대해 FBDD에 대한 지수적 하한이 존재하면, 이는 결정성-DNNF에 대해서도 지수적 하한을 이끌어내며, 이러한 공식에 대해 정확한 모델 수세기가 본질적으로 비용이 많이 든다는 것을 증명한다.
• 논문은 결정성-DNNF가 d-DNNF보다 엄밀히 더 강력하며, AND-FBDD는 표현력 측면에서 상호 비교 불가능함을 보여주며, 결정성-DNNF와 d-DNNF, AND-FBDD 간의 계산 능력 차이를 분리한다.
• 결과적으로 일부 공식 유형에 대해 정확한 모델 수세기에는 지수 시간과 지수 공간이 필요하며, 최신 결정성-DNNF 기반 알고리즘으로도 이를 효율적으로 수행할 수 없다는 것을 암시한다.
• 이러한 하한은 확률적 데이터베이스에 직접 적용되며, 일부 종류의 조건부 쿼리에 대해 정확한 쿼리 평가가 다항 시간 내에 불가능함을 보여준다.