[논문 리뷰] Research Directions for Principles of Data Management (Dagstuhl Perspectives Workshop 16151)

Serge Abiteboul, Marcelo Arenas외 19명|arXiv (Cornell University)|2017. 01. 31.

Advanced Database Systems and Queries참고 문헌 36인용 수 13

한 줄 요약

이 논문은 대규모 데이터, 웹 규모 시스템, 윤리적 데이터 사용에서의 진화하는 데이터 관리 도전 과제를 해결하기 위해 원칙적이고 수학적으로 기반을 둔 접근법을 제안하는 7개의 핵심 연구 주제—스케일링된 데이터 관리, 다중 모델 데이터, 불확실한 정보, 지식 기반 데이터, 데이터 관리와 기계 학습의 융합, 프로세스 및 데이터, 윤리와 데이터 관리—를 규명한다. 이는 기초적 데이터 관리 연구의 발전을 위해 다학제적 통합과 실용적 적용성을 강조한다.

ABSTRACT

In April 2016, a community of researchers working in the area of Principles of Data Management (PDM) joined in a workshop at the Dagstuhl Castle in Germany. The workshop was organized jointly by the Executive Committee of the ACM Symposium on Principles of Database Systems (PODS) and the Council of the International Conference on Database Theory (ICDT). The mission of this workshop was to identify and explore some of the most important research directions that have high relevance to society and to Computer Science today, and where the PDM community has the potential to make significant contributions. This report describes the family of research directions that the workshop focused on from three perspectives: potential practical relevance, results already obtained, and research questions that appear surmountable in the short and medium term.

연구 동기 및 목표

• 사회 및 컴퓨터 과학과 높은 관련성을 지닌 데이터 관리 원칙(PDM)의 가장 영향력 있는 연구 방향을 규명하고 기술하는 것.
• 빅데이터, 웹 규모 데이터, 윤리적 우려의 시대에 증가하는 데이터 관리 복잡성에 대해 원칙적이고 형식적인 접근법을 통해 대응하는 것.
• 기계 학습, 통계, 검증, 사회과학과 같은 분야와의 PDM 간 다학제적 협력을 강화하는 것.
• 시행 가능한 기초 연구 과제와 실용적·사회적 영향을 고려하여 기금 기관, 대학, 연구자들을 위한 안내를 제공하는 것.
• 인지 과학, 사회학, 철학의 통찰을 데이터 관리 시스템과 관행에 통합함으로써 윤리적 데이터 관리를 촉진하는 것.

제안 방법

• 선도적인 PDM 연구자들이 참석한 Dagstuhl Perspectives 워크숍에서 유래한 7개의 핵심 주제를 중심으로 연구 과제를 정리하는 것.
• 논리, 복잡도 이론, 지식 표현 분야의 기존 이론적 기반을 활용해 현대적 데이터 과제를 해결하는 것.
• 질의어 언어, 온톨로지, 무결성 제약 조건를 활용해 데이터 다양성, 불확실성, 기원을 형식적으로 관리하기 위한 공식적 프레임워크 제안.
• 질의 최적화, 데이터 교환, 트랜잭션 모델을 통해 기계 학습과 데이터 중심 프로세스를 원칙적으로 통합하는 것.
• 암호화 및 탈중앙화된 액세스 제어 메커니즘(블록체인 포함)을 통해 웹 상의 프라이버시와 신뢰를 지원하는 것.
• 정의된 fairness, 편향 탐지, 데이터 품질 평가를 초기 단계부터 통합하는 책임감 있는 데이터 분석을 위한 도구를 설계하는 것.

실험 결과

연구 질문

• RQ1 원칙적 데이터 관리 접근법은 어떻게 거대하고 분산된 데이터 워크로드 처리의 스케일링과 효율성을 향상시킬 수 있는가?
• RQ2 다중 모델 및 이질적인 데이터 소스를 효과적으로 관리하기 위해 필요한 형식적 모델과 질의어 언어는 무엇인가?
• RQ3 확률적 또는 불완전한 정보와 같은 데이터의 불확실성은 어떻게 확장 가능한 방식으로 형식적으로 표현하고 추론할 수 있는가?
• RQ4 지식 그래프와 의미적 보강은 다양한 시스템 간 데이터 이해도 및 상호운용성을 어떻게 향상시킬 수 있는가?
• RQ5 데이터 관리 원칙은 기계 학습과 어떻게 통합되어 분석 파이프라인의 강건성, 공정성, 해석 가능성 보장을 보장할 수 있는가?

주요 결과

• PDM 공동체는 대수적 및 미적분 기반 질의어 언어, 무결성 제약 조건, 트랜잭션 모델 등을 포함한 형식적 프레임워크를 통해 기초적 데이터 관리에 기여해 왔다.
• 병렬 시스템에서의 $n$-way 조인 처리 기술의 최근 발전은 기존의 이진 조인 접근 방식을 뛰어넘어 데이터 양과 속도를 다루는 데서 진전을 보였다.
• 불확실한 정보 및 데이터 품질에 관한 연구는 특히 웹 상의 인간 관련 데이터에서 신뢰도, 편향, 기원에 대한 더 나은 추론을 가능하게 한다.
• 개인 정보 관리 시스템(PIMS)은 개인에게 데이터 제어권을 재균형화하는 데 유망한 길을 제시하며, 프라이버시와 윤리적 일치도 향상시킨다.
• 윤리적 데이터 관리는 공정성, 편향, 사회적 영향을 다루기 위해 컴퓨터 과학과 사회학, 심리학, 정치학을 통합하는 다학제적 연구가 필요하다.
• 신뢰할 수 있고 확장 가능하며 검증 가능한 데이터 관리 솔루션을 구축하기 위해 형식적 방법과 기계 학습, 시스템 연구의 융합이 필수적이다.