[논문 리뷰] Repairing Inconsistent Databases: A Model-Theoretic Approach and Abductive Reasoning

Ofer Arieli, Marc Denecker외 2명|ArXiv.org|2002. 07. 25.

Logic, Reasoning, and Knowledge참고 문헌 30인용 수 3

한 줄 요약

이 논문은 일관되지 않은 데이터베이스를 복구하기 위해 최소 모델을 유지하는 모델 이론적 프레임워크와 추론 기반 추론 접근법을 제시한다. SLDNFA-해석을 사용하여 삽입 및 제거 작업을 계산하는 추론 솔버(A-시스템)의 타당성과 완전성을 확립함으로써, 문법적 임bedding이나 외부 선호 정책 없이도 일관된 데이터 통합을 위한 통합적이고 표현력 있는 방법을 제공한다.

ABSTRACT

In this paper we consider two points of views to the problem of coherent integration of distributed data. First we give a pure model-theoretic analysis of the possible ways to `repair' a database. We do so by characterizing the possibilities to `recover' consistent data from an inconsistent database in terms of those models of the database that exhibit as minimal inconsistent information as reasonably possible. Then we introduce an abductive application to restore the consistency of a given database. This application is based on an abductive solver (A-system) that implements an SLDNFA-resolution procedure, and computes a list of data-facts that should be inserted to the database or retracted from it in order to keep the database consistent. The two approaches for coherent data integration are related by soundness and completeness results.

연구 동기 및 목표

• 분산된 데이터베이스 간의 일관되지 않은 데이터 통합 문제를 해결하면서 일관성을 유지하는 데 목적이 있다.
• 최소 모델을 식별하여 일관되지 않은 정보의 양을 최소화함으로써 데이터베이스 복구의 형식적 모델 이론적 분석을 제공하는 데 목적이 있다.
• 일관성을 복구하기 위해 정확한 데이터 수정 조치(삽입/제거)를 계산하는 추론 기반 솔루션을 개발하는 데 목적이 있다.
• 타당성과 완전성 결과를 통해 모델 이론적 복구와 추론 기반 솔루션 간의 형식적 연결 고리를 확립하는 데 목적이 있다.
• 문법적 임bedding이나 외부 선호 메커니즘을 요구하지 않는 일반적이고 표현력 있는 데이터 통합 프레임워크를 제공하는 데 목적이 있다.

제안 방법

• 논문은 모형 이론을 사용하여 일관되지 않은 데이터베이스의 복구를 최소 모델로 특성화함으로써, 일관되지 않은 정보의 양을 최소화하는 복구 방법을 제시한다.
• SLDNFA-해석 기반의 추론 솔버(A-시스템)를 도입하여 일관성을 회복하기 위해 삽입 또는 제거할 데이터 사실의 집합을 계산한다.
• 이 방법은 두 가지 최적화 전략을 사용한다: ≤i-최대 일관성 및 ≤c-최대 일관성 모델로, 추론 과정을 선호되는 복구로 이끌어낸다.
• 전통적인 반증 절차를 추론 논리와 통합하여, 확장이나 임베딩 없이 이원 논리의 일반화를 달성한다.
• 세 값 논리에 의한 진리 근사화를 통해 복구 의미론을 정의함으로써, 일관되지 않은 부분의 정확한 특정화를 가능하게 한다.
• 프레임워크는 양성 사실과 부정적 사실 모두를 지원하며, 향후 시간적, 거래적, 정의적 데이터에 대한 확장도 가능하다.

실험 결과

연구 질문

• RQ1 최소 모델 이론 원칙을 사용하여 일관되지 않은 데이터베이스에서 일관된 데이터를 어떻게 복구할 수 있는가?
• RQ2 일관성을 복구하기 위해 체계적으로 삽입 및 제거 작업을 계산할 수 있는 추론 기반 메커니즘은 무엇인가?
• RQ3 타당성과 완전성 결과를 통해 추론 기반 복구 과정을 모델 이론적 복구와 어떻게 형식적으로 연결할 수 있는가?
• RQ4 제안된 방법은 어떤 방식으로 문법적 임bedding이나 선호 정책 없이도 고전 논리를 일반화하는가?
• RQ5 이 프레임워크는 어떻게 완전하지 않은 정보나 충돌하는 정보(부정적 사실, 시간적 데이터 포함)를 처리할 수 있도록 확장될 수 있는가?

주요 결과

• 모델 이론적 접근은 일관되지 않은 정보의 양을 최소화하는 최소 모델로 데이터베이스 복구를 식별함으로써, 일관된 데이터 복구를 위한 형식적 의미론을 제공한다.
• 추론 솔버(A-시스템)는 SLDNFA-해석을 사용하여 복구 조치(삽입 및 제거)를 성공적으로 계산하며, 정확성과 완전성을 보장한다.
• 추론 기반 복구 과정과 모델 이론적 의미론 간의 타당성과 완전성이 확립되어, 이 접근법의 타당성을 검증한다.
• 이 방법은 기존 시스템보다 더 표현력이 뛰어나며, 이는 이원 논리의 확장이나 문법적 임bedding이 필요로 하지 않기 때문이다.
• 프레임워크는 일관성 처리를 위한 세 값 논리의 자연스러운 지원을 제공하여, 충돌하는 데이터의 탐지와 국소화를 가능하게 한다.
• 이 방법은 정의, 부정적 사실, 시간적 또는 거래적 데이터를 포함하도록 확장 가능하여 향후 개선의 기반을 제공한다.