[논문 리뷰] SLIM: Semi-Lazy Inference Mechanism for Plan Recognition

Reuth Mirsky, Kobi Gal외 1명|arXiv (Cornell University)|2017. 03. 02.

AI-based Problem Solving and Planning참고 문헌 24인용 수 11

한 줄 요약

SLIM은 하향식 가설 정련과 상향식 계획 조각 구성의 조합을 통해 온라인 계획 인식을 위한 새로운 반-지연(inference) 메커니즘입니다. PHATT와 같은 최신 기법들보다 실행 시간이 훨씬 빠르며, 계산량이 최대 한 단계 감소합니다. 이는 완전성 유지와 함께 실시간 인식을 가능하게 하는 점탄성 있는, 최소한의 결정을 내리는 계획 조립 및 확률적 순위 기반 효율적인 가설 잘라내기를 통해 달성됩니다.

ABSTRACT

Plan Recognition algorithms require to recognize a complete hierarchy explaining the agent's actions and goals. While the output of such algorithms is informative to the recognizer, the cost of its calculation is high in run-time, space, and completeness. Moreover, performing plan recognition online requires the observing agent to reason about future actions that have not yet been seen and maintain a set of hypotheses to support all possible options. This paper presents a new and efficient algorithm for online plan recognition called SLIM (Semi-Lazy Inference Mechanism). It combines both a bottom-up and top-down parsing processes, which allow it to commit only to the minimum necessary actions in real-time, but still provide complete hypotheses post factum. We show both theoretically and empirically that although the computational cost of this process is still exponential, there is a significant improvement in run-time when compared to a state of the art of plan recognition algorithm.

연구 동기 및 목표

• 실시간 환경에서 기존 온라인 계획 인식 알고리즘의 높은 계산 비용과 제한된 확장성 문제를 해결하기 위해.
• 하향식 목표 추론과 상향식 조각 구성의 조합을 통해 효율적이고 증분적인 계획 인식을 가능하게 하기 위해.
• 가설의 완전성을 훼손하지 않으면서도 추론 중 고려해야 할 계획 조합의 수를 줄이기 위해.
• 사이버 공격 대응, 의료 프로토콜 모니터링, 교육 소프트웨어와 같은 동적 도메인에서 실시간 인식을 지원하기 위해.
• 시간이 지남에 따라 점차 정교해지는 목표 가설을 제공할 수 있는 실용적이고 언제라도 실행 가능한 알고리즘을 제공하기 위해.

제안 방법

• SLIM은 관찰된 행동을 설명하는 최소한의 계획 조각을 점진적으로 구성하는 상향식 파싱 과정을 사용하며, 최소한의 결정 전략을 따릅니다.
• 모든 계획 트리 구축을 사전에 피하기 위해 각 관찰마다 업데이트되는 국소적이고 浅층적인 가설 집합을 유지합니다.
• 확률적 점수와 일관성 검사를 사용하여 하향식 추론 단계에서 상향식 조각을 목표 기반 계획으로 순위 매기고 정련합니다.
• 알고리즘은 하향식 완전성과 상향식 실시간 효율성을 동시에 확보하기 위해 하이브리드 아키텍처를 채택합니다.
• 문법 기반 계획 라이브러리를 활용하고, 가장 가능성 높은 가설을 우선순위 정렬하기 위해 분류 기반 재순위 매김 메커니즘을 사용합니다.
• 일관된 실행을 지원하여 관찰 수가 증가함에 따라 점차 더 완전한 목표 가설을 점진적으로 출력할 수 있습니다.

실험 결과

연구 질문

• RQ1 하향식과 상향식의 하이브리드 접근 방식이 온라인 계획 인식 중 고려해야 할 계획 조합의 수를 줄일 수 있는가?
• RQ2 최소한의 결정 전략을 사용한 조각 구성과 지연된 목표 추론을 조합함으로써 완전성을 훼손하지 않고도 실행 시간 성능을 향상시킬 수 있는가?
• RQ3 PHATT와 같은 최신 기법과 비교했을 때 SLIM의 실행 시간, 가설 수, 계산 복잡도 측면에서 어떤 차이가 있는가?
• RQ4 상향식 추론만으로도 실시간에서 실질적인 통찰을 제공할 수 있는 정도는 어느 정도이며, 언제 하향식 정련이 필수적인가?
• RQ5 SLIM는 점차 목표 가설의 품질을 향상시키는 언제라도 실행 가능한 알고리즘으로 설계될 수 있는가?

주요 결과

• SLIM는 PHATT 대비 고려해야 할 조합 수를 90% 감소시켰으며, p ≤ 0.05로 통계적으로 유의미한 계산 효율성 향상을 입증했습니다.
• 모든 관찰 단계에서 SLIM의 실행 시간은 PHATT보다 유의미하게 빠르며, p ≤ 0.05로 모든 시퀀스 길이에서 뛰어난 성능을 보였습니다.
• SLIM가 유지하는 평균 가설 수는 PHATT와 유사하지만, 훨씬 적은 조합을 고려함으로써 더 효율적인 검색 공간 정제를 의미합니다.
• SLIM-0(상향식 전용)은 PHATT보다 빠르며, SLIM-100(가장 가능성 높은 100개의 가설을 사용한 하향식) 역시 PHATT를 능가하면서 목표 수준의 통찰을 제공했습니다.
• 모든 가설을 목표 기반 계획으로 컴파일하는 완전한 SLIM 버전은 실행 시간이 증가했지만, 실용적인 온라인 사용에 있어 확장성은 유지되었습니다.
• SLIM는 필요한 국소적 계획 조각만 유지함으로써 실시간 인식을 가능하게 하며, 목표 수준의 가설은 하향식 정련을 통해 필요 시에만 제공합니다.