[논문 리뷰] Detecting Unsolvable Queries for Definite Logic Programs

Maurice Bruynooghe, Henk Vandecasteele외 2명|Lirias (KU Leuven)|2000. 03. 17.

Logic, Reasoning, and Knowledge인용 수 9

한 줄 요약

이 논문은 확정 논리 프로그램에서 해가 없는 쿼리를 탐지하기 위한 새로운 방법을 제안한다. 이 방법은 쿼리가 그에 기반한 최소 모델에서 거짓이 되는 유한한 사전 해석(pre-interpretation)을 찾는 방식이다. 목표 지향적 추론과 사전 해석에 대한 제약 조건 해결을 결합하고, 효율성을 높이기 위해 표본화(tabulation)를 적용함으로써 검색 공간을 줄이고, 일반 목적의 모델 생성기보다 더 적은 백트래킹을 통해 쿼리 실패를 더 빠르게 탐지한다.

ABSTRACT

In solving a query, the SLD proof procedure for definite programs sometimes searches an infinite space for a non existing solution. For example, querying a planner for an unreachable goal state. Such programs motivate the development of methods to prove the absence of a solution. Considering the definite program and the query ``

연구 동기 및 목표

• 확정 논리 프로그램에서 쿼리의 해가 없음을 효율적으로 증명하는 방법을 개발하는 것. 특히 SLD 해상에서 무한한 탐색 트리가 발생할 경우를 대비한다.
• 계획 수립 및 무결성 제약 조건 검증과 같은 분야에서 쿼리 실패를 탐지하는 문제를 해결하는 것. 이 경우 해가 없는 무한 유도 트리가 존재할 수 있다.
• 기존의 모델 생성기, 타입 추론, 프로그램 특수화 기법을 개선하기 위해, 쿼리가 최소 모델에서 거짓이 되는 사전 해석에 초점을 맞춘다.
• 사전 해석의 맥락에서 추론과 제약 조건 해결을 활용하여 실패 증명을 위한 탐색을 이끌어내는 방법을 탐색하는 것.
• 실패 탐지에 있어 전체 해석이 아닌 사전 해석을 대상으로 검색하는 것이 더 효율한지 입증하는 것.

제안 방법

• 이 방법은 목표 지향적 추론을 통해 유한한 사전 해석을 탐색하여, 해당 사전 해석 기반 최소 모델에서 쿼리가 거짓이 되는 사전 해석을 찾는다.
• 주어진 사전 해석 하에서 원래 프로그램을 DATALOG 프로그램으로 추상화함으로써, 표본화를 통해 최소 모델 평가를 효율적으로 수행할 수 있도록 한다.
• 두 가지 절차를 개발하였다: 하나는 추론과 표본화, 실패 분석을 결합한 것으로서, 다른 하나는 추론 가능한 원소(abducibles)를 제약 조건으로 표현하고 유한 도메인 또는 추론 기반 솔버를 통해 해결하는 방식이다.
• 표본화를 활용하여 중복 계산을 방지하고 최소 모델 평가 중 정지 보장을 확보한다.
• 사전 해석에 대한 제약 조건을 수립하고, 이를 추론 솔버 또는 유한 도메인 제약 솔버를 통해 해결하여 유효한 사전 해석의 존재 여부를 확인한다.
• 일반적인 루프 검사와 달리 실행 모니터링의 오버헤드를 피하고, 전체 모델 생성에 비해 검색 공간을 줄인다.

실험 결과

연구 질문

• RQ1 일반 목적의 일阶 논리 모델 생성기보다 확정 논리 프로그램에서 해가 없는 쿼리를 더 효율적으로 탐지할 수 있는가?
• RQ2 실패 증명을 위한 검색에 있어 전체 해석 대비 사전 해석을 대상으로 하는 것이 더 효과적인가?
• RQ3 추론과 제약 조건 해결을 표본화와 융합하여 확정 프로그램에서의 실패를 증명하는 데 효과적으로 활용할 수 있는가?
• RQ4 사전 해석의 사용은 타입 추론이나 프로그램 특수화와 비교해 볼 때 실패 탐지에 있어 어떤가?
• RQ5 쿼리가 오직 무한 도메인 모델에서만 실패할 경우, 이 방법의 한계는 무엇인가?

주요 결과

• 제안된 방법은 FINDER 및 FMCATINF와 같은 일반 목적의 모델 생성기보다 백트래킹을 크게 줄였으며, 이는 사전 해석의 더 작은 공간을 검색하기 때문이다.
• 표본화가 최소 모델 평가의 비용을 효과적으로 제어하여, 실용적 사용에 있어 확장성과 효율성을 확보한다.
• 특히 기저가 높거나 큰 도메인이 필요한 경우, 추론 솔버가 순차적 백트래킹보다 성능이 뛰어나다.
• 정규 근사 기반 타입 추론보다 더 강력한 성능을 보이며, 오직 무한 도메인 모델에서만 실패하는 경우는 증명할 수 없다.
• 합성 부분 추론과 집합 기반 분석은 테스트한 계획 문제를 해결하지 못하지만, 사전 해석 방법은 성공한다.
• 배경 지식은 추론 탐색을 안내하는 데 필수적이다. 배경 지식 없이 단순히 제약 조건만 설정하면, 유도되지 않은 비효율적 탐색이 발생한다.