[논문 리뷰] Nonground Abductive Logic Programming with Probabilistic Integrity Constraints

Elena Bellodi, Marco Gavanelli외 3명|arXiv (Cornell University)|2021. 01. 01.

Logic, Reasoning, and Knowledge참고 문헌 25인용 수 7

한 줄 요약

이 논문은 비결정적 지식과 변수 기반 가설을 가진 도메인에서 불확실성 하에서 추론할 수 있도록 비지정 추론(non-ground abduction)에 무결성 제약 조건을 확률적으로 부여한 새로운 확률적 추론 논리 프로그래밍 프레임워크를 소개한다. 이 방법은 분포 의미론과 타당하고 완전한 증명 절차를 통합하여 고세계 수가 많은 복잡한 확률적 추론 작업에서도 확장 가능함을 보여준다.

ABSTRACT

Uncertain information is being taken into account in an increasing number of application fields. In the meantime, abduction has been proved a powerful tool for handling hypothetical reasoning and incomplete knowledge. Probabilistic logical models are a suitable framework to handle uncertain information, and in the last decade many probabilistic logical languages have been proposed, as well as inference and learning systems for them. In the realm of Abductive Logic Programming (ALP), a variety of proof procedures have been defined as well. In this paper, we consider a richer logic language, coping with probabilistic abduction with variables. In particular, we consider an ALP program enriched with integrity constraints à la IFF, possibly annotated with a probability value. We first present the overall abductive language and its semantics according to the Distribution Semantics. We then introduce a proof procedure, obtained by extending one previously presented, and prove its soundness and completeness.

연구 동기 및 목표

• 기존 추론 논리 프로그래밍 시스템이 비지정 변수를 가진 확률적 무결성 제약 조건을 처리하지 못하는 격차를 보완하기 위해.
• 예를 들어 법의학 조사나 다중 에이전트 시스템과 같이 무결성 제약 조건이 불확실한 실제 도메인에서의 확률적 추론을 가능하게 하기 위해.
• IFF 증명 절차에 확률적 무결성 제약 조건을 통합하면서도 타당성과 완전성을 유지하기 위해.
• 모르는 개체(변수)를 포함한 가설이 존재하는 복잡하고 불확실한 환경에서의 학습과 추론을 지원하기 위해.
• 비지정 제약 조건을 가진 확률적 추론 논리 프로그램에 대한 공식적 의미론을 분포 의미론 기반으로 제공하기 위해.

제안 방법

• 논문은 확률적으로 부여된 무결성 제약 조건을 포함한 추론 논리 프로그래밍을 확장하는 논리 언어를 제안하여 논리 규칙의 불확실성을 허용한다.
• 모든 가능한 세계에 대한 확률적 모델을 정의하기 위해 분포 의미론을 채택하며, 각 세계는 일관된 추론 가능한 원소와 제약 조건의 집합에 대응한다.
• 증명 절차는 IFF 알고리즘의 확장으로, 깊이 우선 탐색과 백트래킹, 확률 전파를 통해 확률적 무결성 제약 조건을 처리하도록 수정되었다.
• 목표의 확률은 일관된 모든 세계를 통합하여 계산되며, 모든 세계를 명시적으로 열거하지 않고도 기호적 계산 전략을 사용한다.
• 타당성과 완전성은 주어진 제약 조건 하에서 증명 절차가 분포 의미론을 정확히 계산함을 보여줌으로써 공식적으로 증명된다.
• 비지정 추론 가능한 원소를 지원하여 알려지지 않은 개체를 기반으로 가설을 생성할 수 있으며, 데이터로부터 학습된 확률적 제약 조건을 통합한다.

실험 결과

연구 질문

• RQ1 확률적 무결성 제약 조건을 비지정 추론 논리 프로그래밍에 공식적으로 통합할 수 있는 방법은 무엇인가?
• RQ2 비지정 변수와 확률적 제약 조건을 가진 확률적 추론 논리 프로그래밍에 대해 타당하고 완전한 증명 절차를 설계할 수 있는가?
• RQ3 확률적 무결성 제약 조건이 복잡한 도메인에서 추론의 확장성과 효율성에 미치는 영향은 무엇인가?
• RQ4 기존 방법과 비교해 복잡한 제약 조건의 불확실성과 추론 가능한 원소의 불확실성 처리 방식은 어떻게 다른가?
• RQ5 PASCAL 시스템이 보여주듯이, 이 프레임워크는 데이터로부터 확률적 제약 조건을 학습할 수 있는가?

주요 결과

• 제안된 증명 절차는 비지정 추론 논리 프로그래밍에 확률적 무결성 제약 조건을 적용할 때 타당하고 완전하여, 모든 일관된 세계에서 정확한 확률 계산을 보장한다.
• 이 프레임워크는 비지정 추론을 성공적으로 처리하여 알려지지 않은 개체를 기반으로 가설을 생성할 수 있으며, 이는 실제 세계의 추론 작업에 필수적이다.
• 시스템은 확장 가능성을 입증하며, 선택 지점 수가 많더라도 1분 이내에 10^6개 이상의 세계에 대한 목표 확률을 계산할 수 있다.
• PASCAL 시스템을 통해 데이터로부터 확률적 무결성 제약 조건을 학습할 수 있으며, 이는 해석으로부터 불확실한 규칙을 자동으로 발견할 수 있도록 한다.
• 이전 연구가 추론 가능한 원소에 확률을 할당하는 데 반해, 이 논문은 무결성 제약 조건에 확률을 할당함으로써 실제 세계의 논리 규칙에서의 불확실성을 더 현실적으로 모델링한다.
• 깊이 우선 탐색과 점진적 확률 추정을 사용함으로써 메모리 효율성이 더 뛰어나면서도 정확성을 유지하여, 최선 우선 탐색 전략보다 성능이 뛰어나다.