[논문 리뷰] Braid: Weaving Symbolic and Statistical Knowledge into Coherent Logical Explanations.

Aditya Kalyanpur, Tom Breloff외 3명|arXiv (Cornell University)|2020. 11. 26.

Natural Language Processing Techniques인용 수 2

한 줄 요약

Braid는 통합 함수와 동적 규칙 생성을 통해 통계 지식을 통합함으로써 기존의 기호적 시스템의 한계를 극복하는 확률적, FOL 기반 추론기를 제안한다. 분산된 역추적 프레임워크를 통해 증거/설명 그래프를 구축함으로써 NLU 작업에서 확장 가능하고 일관된 논리적 설명을 가능하게 한다.

ABSTRACT

Traditional symbolic reasoning engines, while attractive for their precision and explicability, have a few major drawbacks: the use of brittle inference procedures that rely on exact matching (unification) of logical terms, an inability to deal with uncertainty, and the need for a precompiled rule-base of (the knowledge acquisition problem). These issues are particularly severe for the Natural Language Understanding (NLU) task, where we often use implicit background to understand and reason about text, resort to fuzzy alignment of concepts and relations during reasoning, and constantly deal with ambiguity in representations. To address these issues, we devise a novel FOL-based reasoner, called Braid, that supports probabilistic rules, and uses the notion of custom unification functions and dynamic rule generation to overcome the brittle matching and knowledge-gap problem prevalent in traditional reasoners. In this paper, we describe the reasoning algorithms used in Braid-BC (the backchaining component of Braid), and their implementation in a distributed task-based framework that builds proof/explanation graphs for an input query in a scalable manner. We use a simple QA example from a children's story to motivate Braid-BC's design and explain how the various components work together to produce a coherent logical explanation.

연구 동기 및 목표

• 정확한 매칭 요구 조건과 불확실성 처리 부족으로 인한 NLU에서 기호적 추론의 취약성 문제를 해결한다.
• 사전에 컴파일된 규칙 기반 시스템에 의존하지 않고 동적 규칙 생성을 통해 지식 확보의 병목 현상을 해결한다.
• 자연어 추론에서 개념과 관계의 흐린, 확률적인 정렬을 지원한다.
• 복잡한 질의를 위한 일관된 증거/설명 그래프의 확장 가능하고 분산된 구축을 가능하게 한다.
• 기호적 정밀도와 통계적 강건성을 통합하여 실제 세계의 모호한 텍스트에서 개선된 추론을 실현한다.

제안 방법

• 불확실성 있는 논리적 추론을 모델링하기 위해 확률적 규칙를 사용하는 FOL 기반 추론기를 활용한다.
• 정확한 용어 통합을 초월하여 유연하고 맥락 민감한 매칭을 허용하는 커스터마이징된 통합 함수를 도입한다.
• 지식 격차를 메우고 암묵적인 배경 지식에 적응하기 위해 추론 중에 규칙을 동적으로 생성한다.
• 증거/설명 그래프의 구축을 확장하기 위해 분산된 작업 기반 프레임워크를 구현한다.
• 확률적이고 민감한 매칭을 통해 질의에서 출발하여 역추적(Braid-BC)을 사용해 순환적으로 설명을 유도한다.
• 전제, 추론, 결론을 추적 가능하고 논리적인 구조로 일관되게 연결하는 설명 그래프를 구성한다.

실험 결과

연구 질문

• RQ1 어떻게 기호적 추론 시스템을 자연어 이해에서의 모호성과 불확실성에 대해 강건하게 만들 수 있는가?
• RQ2 커스터마이징된 통합 함수는 NLU에서 논리적 매칭의 유연성을 얼마나 향상시킬 수 있는가?
• RQ3 사전에 컴파일된 규칙 기반 없이도 동적 규칙 생성이 지식 격차를 효과적으로 메울 수 있는가?
• RQ4 확률적 추론은 공식적인 논리적 프레임워크에 어떻게 통합되어 설명 가능성을 유지할 수 있는가?
• RQ5 하이브리드 기호-통계적 추론기에서 생성된 설명 그래프의 확장성과 일관성은 어떠한가?

주요 결과

• Braid-BC는 분산된 작업 기반 아키텍처를 사용하여 자연어 질의에 대해 일관되고 추적 가능한 설명 그래프를 성공적으로 구축한다.
• 커스터마이징된 통합 함수의 사용은 개념과 관계가 암묵적으로 정렬되거나 흐릿한 경우에도 강건한 추론을 가능하게 한다.
• 동적 규칙 생성은 추론 도중 누락된 지식을 유추함으로써 사전에 컴파일된 규칙에 대한 의존도를 감소시킨다.
• 확률적 규칙는 텍스트의 불확실성과 모호성에 대비한 추론의 강건성을 향상시킨다.
• 프레임워크는 분산된 작업 간에 효과적으로 스케일링되어 복잡한 설명의 효율적 구축을 가능하게 한다.
• 이 접근법은 기호적 추론이 통계적 및 동적 구성 요소와 통합됨으로써 민감성과 확장성 모두 확보될 수 있음을 보여준다.