[논문 리뷰] SMProbLog: Stable Model Semantics in ProbLog and its Applications in Argumentation

Pietro Totis, Angelika Kimmig외 1명|arXiv (Cornell University)|2021. 10. 05.

Logic, Reasoning, and Knowledge인용 수 7

한 줄 요약

이 논문은 논증 프레임워크에서 흔한 순환적이고 부정이 풍부한 논리 프로그램을 처리하기 위해 안정 모델 의미론을 도입한 확률적 논리 프로그래밍 프레임워크인 smProbLog을 소개한다. 이는 지식 기반 논증 그래프에 대한 확률적 추론과 매개변수 학습을 가능하게 하며, 신념 갱신 및 관측된 수용 가능성 결과로부터의 학습과 같은 베이지안 추론을 지원한다.

ABSTRACT

We introduce SMProbLog, a generalization of the probabilistic logic programming language ProbLog. A ProbLog program defines a distribution over logic programs by specifying for each clause the probability that it belongs to a randomly sampled program, and these probabilities are mutually independent. The semantics of ProbLog is given by the success probability of a query, which corresponds to the probability that the query succeeds in a randomly sampled program. It is well-defined when each random sample uniquely determines the truth values of all logical atoms. Argumentation problems, however, represent an interesting practical application where this is not always the case. SMProbLog generalizes the semantics of ProbLog to the setting where multiple truth assignments are possible for a randomly sampled program, and implements the corresponding algorithms for both inference and learning tasks. We then show how this novel framework can be used to reason about probabilistic argumentation problems. Therefore, the key contribution of this paper are: a more general semantics for ProbLog programs, its implementation into a probabilistic programming framework for both inference and parameter learning, and a novel approach to probabilistic argumentation problems based on such framework.

연구 동기 및 목표

• 논증 프레임워크에서 흔한 순환적이고 부정이 포함된 논리 프로그램을 처리하는 데에 기존 ProbLog의 한계를 해결한다.
• 신념이 불확실하고 상호의존적인 지식 기반 논증 그래프에 대한 확률적 추론을 가능하게 한다.
• 증거에 조건을 붙이거나 관측된 논증 수용 가능성으로부터 에이전트의 신념을 학습하는 등의 베이지안 스타일 추론을 지원한다.
• 새로운 의미론 하에서 추론과 매개변수 학습을 모두 지원하는 확장 가능한 구현을 개발한다.

제안 방법

• 비유일적 진리 할당을 다룰 수 있도록 분포 의미론과 안정 모델 의미론을 융합한 새로운 의미론을 도입한다.
• smProbLog을 ProbLog2의 확장으로 구현하여 안정 모델 의미론 하에서 모델 수열을 통한 추론과 평가를 지원한다.
• 논증과 그 관계에 대한 신념을 독립적인 확률적 사실로 모델링한 논증 그래프의 확률적 인코딩을 사용한다.
• 표준 PLP 추론 기법(예: 가중 모델 수세기)을 적용하여 새로운 의미론 하에서 쿼리의 성공 확률을 계산한다.
• 기울기 기반 또는 기대 최대화 유사 알고리즘을 사용하여 관측된 논증 수용 패tern으로부터 신념 매개변수를 추론한다.
• 이중 논증 그래프를 확률적 사실이 포함된 논리 프로그램으로 매핑하여, 논증, 지지, 공격을 모델링함으로써 유도된 모델에서의 베이지안 추론을 가능하게 한다.

실험 결과

연구 질문

• RQ1 논증에서 발생하는 순환적이고 부정이 풍부한 논리 프로그램을 다룰 수 있도록 확률적 논리 프로그래밍을 확장할 수 있는가?
• RQ2 분포 의미론과 안정 모델 의미론을 융합하여 비유일적 진리 할당 설정에서 추론을 지원할 수 있는가?
• RQ3 smProbLog은 불확실한 신념을 가진 지식 기반 논증 그래프를 효과적으로 모델링하고 추론할 수 있는가?
• RQ4 관측된 논증 수용 가능성 결과로부터 에이전트의 신념을 복구하기 위해 매개변수 학습을 수행할 수 있는가?
• RQ5 새로운 의미론이 추론 및 학습 작업에 미치는 계산 성능 영향은 어떠한가?

주요 결과

• smProbLog은 사이클과 부정을 포함한 논리 프로그램에 대한 추론을 성공적으로 지원하며, 기존 ProbLog에서 유효하지 않은 프로그램도 포함한다.
• 추론 시간은 모델 수열의 수에 비례하며, 특히 큰 벤치마크에서 수열이 런타임을 지배한다.
• 부분 관측에서의 매개변수 학습이 가능하며, 학습된 신념 매개변수의 평균 절대 오차(MAE)는 관측 크기가 증가할수록 감소한다.
• 283개의 논증 그래프로 구성된 데이터셋에서 smProbLog는 더 많은 학습 샘플을 사용할수록 MAE가 감소함을 보이며 효과적인 신념 학습을 입증한다.
• 신념 갱신 및 학습과 같은 베이지안 추론 작업을 지원하여 논증의 지식 기반 상태를 동적으로 모델링할 수 있다.
• 구현 코드는 GitHub에 공개되어 있어 재현성과 프레임워크의 확장이 가능하다.