[논문 리뷰] Why so? or Why no? Functional Causality for Explaining Query Answers

Alexandra Meliou, Wolfgang Gatterbauer외 2명|ArXiv.org|2009. 12. 29.

Scientific Computing and Data Management참고 문헌 15인용 수 20

한 줄 요약

이 논문은 관계형 데이터베이스에서 쿼리 결과('왜 그렇나?')와 누락 결과('왜 없나?')를 둘 다 설명할 수 있는 통합 프레임워크로 기능적 원인(functional causality)을 도입한다. Halpern과 Pearl의 실제 원인(actual causes)을 기능적 원인으로 정교화함으로써, 데이터 튜플과 쿼리 연산의 등급화된 책임 점수를 가능하게 하여 증명 가능성(provenance), 비결과 설명(non-answer explanations), 집계 기여도 기반 분석을 지원하며, 처리 가능한 경우 다항시간 알고리즘을 제공한다.

ABSTRACT

In this paper, we propose causality as a unified framework to explain query answers and non-answers, thus generalizing and extending several previously proposed approaches of provenance and missing query result explanations. We develop our framework starting from the well-studied definition of actual causes by Halpern and Pearl. After identifying some undesirable characteristics of the original definition, we propose functional causes as a refined definition of causality with several desirable properties. These properties allow us to apply our notion of causality in a database context and apply it uniformly to define the causes of query results and their individual contributions in several ways: (i) we can model both provenance as well as non-answers, (ii) we can define explanations as either data in the input relations or relational operations in a query plan, and (iii) we can give graded degrees of responsibility to individual causes, thus allowing us to rank causes. In particular, our approach allows us to explain contributions to relational aggregate functions and to rank causes according to their respective responsibilities. We give complexity results and describe polynomial algorithms for evaluating causality in tractable cases. Throughout the paper, we illustrate the applicability of our framework with several examples. Overall, we develop in this paper the theoretical foundations of causality theory in a database context.

연구 동기 및 목표

• 데이터베이스 시스템에서 긍정적 결과와 부정적 결과를 둘 다 통합적으로 설명할 필요를 해결한다.
• 기존의 증명 가능성 및 비결과 설명 모델의 한계를 극복하기 위해 공식적이고 확장 가능한 원인관계 프레임워크를 도입한다.
• 데이터 튜플과 쿼리 연산에 대한 등급화된 책임 점수를 가능하게 하여 원인 기여도를 순위 매긴다.
• 선형성과 누락 결과에 관한 이전 연구를 일반화하고 확장하는 데이터베이스 내 원인관계의 이론적 기반을 제공한다.
• 책임 점수를 통해 개별 기여도를 정량화함으로써 집합 함수(SUM, COUNT 등)에 대한 설명을 지원한다.

제안 방법

• 데이터베이스 맥락에서의 한계를 보완하기 위해 Halpern과 Pearl의 실제 원인 정의를 수정한다.
• 합성성, 최소성 등의 바람직한 이론적 성질를 갖춘 보다 정교한 원인관계 정의로 기능적 원인을 도입한다.
• 잠재 함수(potential functions)를 사용하여 원인 영향을 모델링함으로써 분석적 조작과 확률적 데이터로의 일반화를 가능하게 한다.
• 책임 점수를 원인 기여도의 정량적 측도로 정의하여 원인의 순위를 매길 수 있도록 한다.
• 불린 네트워크 기반 제약 만족 문제로 원인관계 평가를 공식화하며, 처리 가능한 경우 다항시간 내에 해결이 가능하다.
• 프레임워크를 쿼리 계획과 데이터 관계에 적용하여 입력 데이터 및 관계 연산에 대한 원인관계 설명을 가능하게 한다.

실험 결과

연구 질문

• RQ1 어떻게 원인관계를 공식적으로 정의할 수 있을까? 이는 쿼리 결과와 누락 결과를 둘 다 통합적으로 설명할 수 있어야 한다.
• RQ2 데이터베이스 맥락에서 특히 증명 가능성과 집계 기능에 대해 유용한 원인관계 정의가 가져야 할 성질은 무엇인가?
• RQ3 기여하는 데이터 튜플이나 연산의 순위를 매기기 위해 등급화된 책임 점수로 원인관계를 정량화할 수 있는가?
• RQ4 어떤 종류의 데이터베이스 쿼리에서는 효율적(다항시간)으로 원인관계 평가가 가능한가?
• RQ5 확률적 데이터와 집계 기능을 다룰 수 있도록 프레임워크를 어떻게 확장할 수 있는가?

주요 결과

• 기능적 원인은 이전의 증명 가능성 및 비결과 설명 모델을 일반화하고 개선하는 견고한 통합 프레임워크를 제공한다.
• 동일한 원인관계 정의를 사용하여 쿼리 결과의 존재('왜 그렇나?')와 부재('왜 없나?')에 대한 설명을 모두 지원한다.
• 책임 점수에 따라 원인을 순위 매길 수 있으며, 뉴스 피드에서 기여하는 키워드의 책임 점수가 감소하는 구체적인 예시를 제시한다.
• 안전한 쿼리와 처리 가능한 불린 네트워크의 경우, 원인관계 평가가 다항시간 내에 수행될 수 있다.
• 잠재 함수의 사용은 분석적 조작을 가능하게 하며, 향후 확률적 데이터베이스로의 확장에 길을 열어준다.
• 프레임워크는 SUM 및 COUNT와 같은 집계 함수에 대한 원인 기여도를 성공적으로 모델링하며, 개별 튜플에 대해 측정 가능한 책임 점수를 할당한다.