[논문 리뷰] Multi-Context Systems for Reactive Reasoning in Dynamic Environments

Gerhard Brewka, Stefan Ellmauthaler외 1명|arXiv (Cornell University)|2015. 05. 20.

Logic, Reasoning, and Knowledge참고 문헌 13인용 수 8

한 줄 요약

이 논문은 센서 데이터 통합과 지식 기반의 진화를 관리함으로써 실시간 환경에서 지속적이고 동적 추론을 가능하게 하는 반응형 다중맥락 시스템(rMCSs)을 소개한다. 이는 관리된 다중맥락 시스템(mMCSs)의 확장으로, 불일치하는 입력, 선택적 기억 상실, 주의 집중 제어, 계산 효율성 등의 온라인 추론의 핵심 과제를 체계적 프레임워크인 시스템 실행과 평형 의미론을 통해 해결하며, 핵심 결정 문제의 복잡도 분석을 제공한다.

ABSTRACT

We show in this paper how managed multi-context systems (mMCSs) can be turned into a reactive formalism suitable for continuous reasoning in dynamic environments. We extend mMCSs with (abstract) sensors and define the notion of a run of the extended systems. We then show how typical problems arising in online reasoning can be addressed: handling potentially inconsistent sensor input, modeling intelligent forms of forgetting, selective integration of knowledge, and controlling the reasoning effort spent by contexts, like setting contexts to an idle mode. We also investigate the complexity of some important related decision problems and discuss different design choices which are given to the knowledge engineer.

연구 동기 및 목표

• 스마트 홈이나 모니터링 시스템과 같은 지속적으로 변화하는 동적 환경에서 전통적인 오프라인 지식 표현 시스템의 한계를 해결한다.
• 관리된 다중맥락 시스템(mMCSs)을 확장하여 센서 입력과 실행 기반 의미론을 통합함으로써 지속적이고 반응형 추론을 지원하는 형식 체계를 제안한다.
• 온라인 추론 시스템에서 불일치하는 센서 데이터, 선택적 지식 상실, 집중의 초점, 계산 자원 제어를 위한 체계적인 메커니즘을 제공한다.
• 핵심 결정 문제의 복잡도 분 析와 지식 엔지니어를 위한 설계 선택지를 제공함으로써 프레임워크의 계산 가능성을 확보한다.

제안 방법

• 브릿지 규칙을 일반화하여 센서 관측치를 통합함으로써 mMCSs를 확장하여 실제 세계 데이터에 반응할 수 있도록 한다.
• 실행(run)을 시간에 따라 변화하는 시스템 상태의 순서로 정의하며, 각 상태는 새로운 관측치를 처리하고 관리된 연산을 통해 믿음 집합을 갱신함으로써 유도된다.
• 지식 추가, 제거, 수정 등의 동작을 수행할 수 있는 관리 기능을 도입하여 지식 기반(KB) 크기와 추론 노력에 대한 제어를 가능하게 한다.
• 맥락별 관리 정책을 통해 동적 기억 상실을 모델링하여, 고정된 시간 창이 아닌 관련성 기반으로 정보를 제거할 수 있도록 한다.
• 평형 의미론을 사용하여 맥락 간 일관된 믿음 집합을 정의함으로써, 불일치하거나 변화하는 입력 상황에서도 일관성을 유지한다.
• 다양한 복잡도 가정(다항식 및 일반 맥락 복잡도) 하에서 핵심 문제들(예: 평형 존재성, 질의 평가)의 계산 복잡도를 분석한다.

실험 결과

연구 질문

• RQ1 관리된 다중맥락 시스템은 어떻게 지속적인 센서 입력을 갖는 동적 환경에서 반응형 추론을 지원하도록 확장될 수 있는가?
• RQ2 온라인 추론 시스템에서 불일치하거나 신뢰할 수 없는 센서 데이터를 다루기 위해 필요한 형식적 메커니즘은 무엇인가?
• RQ3 지식 기반의 크기와 계산 자원을 제어하면서 추론 품질을 훼손하지 않도록 동적으로 관리할 수 있는 방법은 무엇인가?
• RQ4 반응형 다중맥락 시스템에서 결정 문제의 복잡도는 얼마이며, 설계 선택지는 이의 계산 가능성을 어떻게 영향을 미치는가?
• RQ5 지속적인 추론 과정에서 주의를 선택적으로 집중시키고 관련 없는 정보를 체계적으로 제거할 수 있는 방법은 무엇인가?

주요 결과

• 제안된 반응형 다중맥락 시스템(rMCSs)은 센서 통합과 실행 기반 의미론을 통해 mMCSs를 성공적으로 확장하여 실제 응용에서 지속적이고 동적 추론을 가능하게 한다.
• 맥락별 관리 기능을 통한 지능적인 기억 상실 메커니즘이 도입되어 관련성 기반으로 정보를 제거할 수 있으며, 고정된 시간 창이 아닌 기반으로 한다.
• 믿음 집합 선택 또는 브릿지 규칙의 비결정성으로 인해 다수의 평형이 발생할 수 있으나, 선호도 기반 선택 메커니즘(예: 약한 제약 조건 또는 최적화 문장)을 통해 최적의 평형을 선택할 수 있다.
• 평형 존재성 및 질의 평가 문제의 복잡도가 분석되었으며, 유한한 실행에서는 이러한 문제가 적절한 복잡도 클래스(NP 또는 co-NP)에 머무르지만, 무한한 관측 순서에서는 결정 불가능해진다.
• 장기간 실행되는 시스템에서 계산 자원을 효율적으로 관리하기 위해, 예를 들어 맥락을 대기 모드로 설정하는 등의 절차적 제어 기능을 지원한다.
• 지식 통합과 온라인 추론을 하나의 통합된 형식 체계로 통합함으로써, 기존 스트림 추론 및 믿음 변화 기법을 일반화한다.