[논문 리뷰] Merging Locally Correct Knowledge Bases: A Preliminary Report

Paolo Liberatore|ArXiv.org|2002. 12. 28.

Logic, Reasoning, and Knowledge참고 문헌 18인용 수 3

한 줄 요약

이 논문은 지식 획득 과정에서 발생하는 오류 유형이 단순히 문장적 값 변경 외에도 다양한 요인(예: 이름 충돌, 오인 식별 등)일 수 있음을 고려하여, 국소적으로 올바른 지식 기반을 통합하기 위한 일반화된 모델을 제안한다. 기존의 최소 변화 신념 수정 이론은 오직 잘못된 문장적 값 변경만을 고려하는 좁은 오류 모델을 전제로 하며, 본 논문은 이를 보다 넓은 프레임워크로 확장하여, 서로 다른 실체를 가리키는 국소적으로 일관된 지식 기반 간의 통합에서 더 정확한 결과를 도출할 수 있음을 보여준다.

ABSTRACT

Belief integration methods are often aimed at deriving a single and consistent knowledge base that retains as much as possible of the knowledge bases to integrate. The rationale behind this approach is the minimal change principle: the result of the integration process should differ as less as possible from the knowledge bases to integrate. We show that this principle can be reformulated in terms of a more general model of belief revision, based on the assumption that inconsistency is due to the mistakes the knowledge bases contain. Current belief revision strategies are based on a specific kind of mistakes, which however does not include all possible ones. Some alternative possibilities are discussed.

연구 동기 및 목표

• 기존의 '최소 변화' 원칙에만 의존하는 신념 수정 의미론의 한계를 규명하는 것.
• 문장적 값 변경 외의 지식 획득 오류 유형(예: 이름 충돌, 오인 식별 등)을 포함한 더 일반적인 오류 모델을 체계화하는 것.
• 기존의 통합 의미론이 본 프레임워크의 특수한 경우임을 보여주는 것.
• 실체가 잘못 식별되거나 이름이 충돌하는 경우 기존의 최소 변화 접근 방식이 실패함을 보여주는 것.
• 지식 기반들이 국소적으로는 올바르나 서로 다른 대상을 가리키는 경우에 적용 가능한 새로운 통합 의미론의 기초를 마련하는 것.

제안 방법

• 지식 기반들이 국소적으로 올바르며, 모순은 전역적인 불일관성보다는 획득 오류에서 기인한다고 가정하는 모델을 도입한다.
• 문장적 값 변경, 이름 충돌(예: 서로 다른 개인이 동일한 이름을 가짐) 등의 오류 유형을 분류하고, 통합에 미치는 영향을 체계화한다.
• 내부 일관성을 유지하면서 오류를 수정하는 통합 기법을 제안하며, 주로 참조 모호성을 해결하는 데 초점을 맞춘다.
• 변수 이름 변경 및 대체를 통해 갈등을 해결하기 위해 명제 논리를 활용하여 다양한 오류 가정 하에서의 통합을 체계화한다.
• 계산 복잡도를 증명하기 위해 감소 기법을 적용하여, 새로운 의미론이 Π²ᵖ에 속함을 보이며, 표준 수정 연산자와 유사한 복잡도를 가짐을 밝힌다.
• 기존의 신념 수정 의미론(예: Dalal의 방법)이 문장적 값 오류 가정 하에서 본 모델의 특수한 경우임을 보여준다.

실험 결과

연구 질문

• RQ1 오류가 문장적 값 변경에 국한된다는 가정을 초월하여, 신념 수정 의미론을 어떻게 일반화할 수 있는가?
• RQ2 어떤 상황에서 참조 모호성이 존재할 경우 최소 변화 원칙이 잘못된 통합 결과를 초래하는가?
• RQ3 통합된 지식 획득 오류 모델이 문장적 값 오류와 이름 충돌 오류를 동시에 설명할 수 있는가?
• RQ4 국소적으로 올바른 지식 기반이라는 가정이 통합 연산자 설계에 어떤 영향을 미치는가?
• RQ5 이 일반화된 오류 모델 하에서의 통합의 계산 복잡도 특성은 어떠한가?

주요 결과

• 최소 변화 원칙은 일반적으로 유효하지 않으며, 오류가 문장적 값 변경에 국한된다는 제한된 가정 하에서만 성립한다.
• 두 개의 다른 지오르주(예: 서로 다른 개인)가 오인되어 식별된 경우, 최소 변화 통합은 정확한 국소 지식을 유지하지 못하며, 잘못된 결론을 도출한다.
• 제안된 모델은 양 쪽의 지식 기반 모두가 국소적으로 올바르다는 점을 정확히 식별하며, 통합 과정에서 참조 대상을 구분함으로써 두 지식 기반을 모두 유지해야 하며, 단일 불일관 모델로의 최소 변화를 추구해서는 안 된다는 점을 보여준다.
• 오류가 문장적 값 변경이 아닌 참조 오류 또는 이름 오류일 경우, 최소 변화가 아닌 오류 수정 기반의 통합 방식이 더 정확한 결과를 도출함을 보여준다.
• 제안된 통합 의미론의 계산 복잡도는 Π²ᵖ-완전하며, 이는 표준 신념 수정 연산자와 비슷한 난이도를 가짐을 의미하지만, 크게 더 복잡하지는 않다.
• 이 프레임워크는 소프트웨어 통합 및 지식 기반 통합에서 흔히 발생하는 변수 이름 변경, 상수 오식별 오류 등의 오류 유형을 허용함으로써, 기존 의미론을 일반화한다.