[논문 리뷰] Optimizing the computation of overriding

Piero A. Bonatti, Iliana M. Petrova외 1명|arXiv (Cornell University)|2015. 07. 16.

Logic, Reasoning, and Knowledge참고 문헌 27인용 수 6

한 줄 요약

이 논문은 비단조화 기술 논리 $π\mathcal{DL}^N$에서 쿼리 응답을 가속화하기 위한 두 가지 최적화 기법—모듈 추출과 낙관적 추론—을 제안하며, 대규모 지식 기반에서 성능을 크게 향상시킨다. 이 방법들은 응답 시간을 한 단계 이상 감소시켜 30,000개 이상의 공리가 포함된 지식 기반에서 실시간 추론을 가능하게 한다.

ABSTRACT

We introduce optimization techniques for reasoning in DLN---a recently introduced family of nonmonotonic description logics whose characterizing features appear well-suited to model the applicative examples naturally arising in biomedical domains and semantic web access control policies. Such optimizations are validated experimentally on large KBs with more than 30K axioms. Speedups exceed 1 order of magnitude. For the first time, response times compatible with real-time reasoning are obtained with nonmonotonic KBs of this size.

연구 동기 및 목표

• 30,000개 이상의 공리가 포함된 대규모 지식 기반으로 확장할 경우 $π\mathcal{DL}^N$ 추론에서 발생하는 성능 저하 문제를 해결하기 위해.
• 비단조화 추론에서 현재의 응답 시간이 실시간 배포를 방해하고 있음에도 불구하고, $π\mathcal{DL}^N$이 생물의학 및 접근 제어 분야에 적용 가능하고 다항식 시간 내에 처리 가능하다는 점을 감안할 때, 쿼리 응답 시간을 단축하기 위해.
• 비단조화 기술 논리 $π\mathcal{DL}^N$의 논리적 성질—예를 들어 유전 차단이 없고 프로토타입 일관성이 있다는 점—을 유지하면서도 타당하고 완전한 최적화 기법을 개발하기 위해.
• 합성 및 실제 세계의 온톨로지가 포함된 대규모이고 현실적인 지식 기반에서 이러한 최적화의 효과를 검증하기 위해.
• 특히 생물의학 및 접근 제어 응용 분야에서 실시간 시스템과 호환되는 응답 시간을 확보하여 비단조화 추론의 실용적 배포를 가능하게 하기 위해.

제안 방법

• 논문은 쿼리에 관련된 공리들만을 대상으로 추론을 제한하기 위해 종속성 분석 기반의 모듈 추출 기법을 도입하여 계산 오버헤드를 줄인다.
• 이전 추론 결과를 재사용하여 비용이 많이 드는 공리 삭제를 최소화하는 인크리멘탈 추론 기능을 활용한 낙관적 추론 알고리즘을 제안한다.
• 모듈 추출과 낙관적 추론을 결합하여 응답 시간을 추가로 단축시키며, 특히 N-free 지식 기반에서 뛰어난 성능 향상을 이룬다.
• 이 방법은 $π\mathcal{DL}^N$에 대해 형식적으로 타당하고 완전함을 증명하여 정확성을 유지하면서도 효율성을 향상시킨다.
• 최적화 기법은 합성 및 실제 세계의 지식 기반을 사용하여 평가되었으며, 유전체 온톨로지에서 유도된 자료를 포함하여 불가항성 포함관계와 정상성 개념의 비율을 다양하게 설정하였다.
• 구현은 OWLAPI를 사용하였으며, 공개되어 있어 재현성과 추가 벤치마킹이 가능하다.

실험 결과

연구 질문

• RQ1 기타 비단조화 논리에서 알려진 타당성 결여 문제에도 불구하고, 비단조화 기술 논리인 $π\mathcal{DL}^N$에 모듈 추출을 타당하게 적용할 수 있는가?
• RQ2 쿼리 처리 중 공리 삭제 비용을 줄이기 위해 $π\mathcal{DL}^N$에서 인크리멘탈 추론을 어떻게 최적화할 수 있는가?
• RQ3 모듈 추출과 낙관적 추론의 조합이 대규모 $π\mathcal{DL}^N$ 지식 기반에서 응답 시간을 얼마나 향상시킬 수 있는가?
• RQ4 20,000개 이상의 개념 이름과 30,000개 이상의 공리가 포함된 실제 세계 및 합성 지식 기반에서 어떤 성능 향상이 달성될 수 있는가?
• RQ5 특히 생물의학 및 접근 제어 응용 분야에서 대규모 비단조화 추론에 대해 실시간 응답 시간을 달성할 수 있는가?

주요 결과

• 모듈 추출과 낙관적 추론의 통합 최적화로 인해 응답 시간이 한 단계 이상 감소했으며, 일부 사례에서는 최대 780배 빠른 응답 시간을 달성했다.
• 15%의 불가항성 포함관계를 가진 지식 기반에서, 최적화된 방법은 평균 응답 시간을 난이도 기반의 90초 이상에서 0.32초 이하로 단축시켰다. 이는 30%의 DIs가 포함된 경우에도 성립한다.
• N-free 지식 기반에서는 모듈 기반 방법만으로도 응답 시간을 난이도 기반의 30분 이상에서 40초 이하로 단축시켰다. 이는 250개의 정상성 개념이 포함된 경우에도 성립한다.
• 낙관적 추론 방법은 공리 삭제 수를 크게 줄여 동적 지식 기반에서 성능 향상에 특히 효과적이었다.
• 복잡한 역할 범위 제약 조건이 정상성 개념을 포함하더라도 대부분의 쿼리는 2초 이내에 완료되었으며, 소수의 경우에만 40초를 초과하였다.
• 이러한 결과는 비단조화 지식 기반의 대규모 적용에서 실시간 추론이 가능하다는 것을 처음으로 입증하였으며, 생물의학 및 세마틱 웹 응용 분야에서의 실용적 배포를 가능하게 한다.