[논문 리뷰] Probabilistic Logic Programming under Inheritance with Overriding

Thomas Lukasiewicz|arXiv (Cornell University)|2013. 01. 10.

Logic, Reasoning, and Knowledge참고 문헌 32인용 수 32

한 줄 요약

이 논문은 불확실성 하에서 조건부 제약 조건을 다루기 위해 유산과 오버라이딩을 통합하는 새로운 프레임워크를 소개한다. 고전적 논리 함의에 확률적 디폴트 추론을 확장하여 계층적 확률적 지식 기반에서 효율적이고 의미론적으로 타당한 추론을 가능하게 하며, 성능 향상을 위한 알고리즘과 최적화 기법을 제공한다.

ABSTRACT

We present probabilistic logic programming under inheritance with overriding. This approach is based on new notions of entailment for reasoning with conditional constraints, which are obtained from the classical notion of logical entailment by adding the principle of inheritance with overriding. This is done by using recent approaches to probabilistic default reasoning with conditional constraints. We analyze the semantic properties of the new entailment relations. We also present algorithms for probabilistic logic programming under inheritance with overriding, and program transformations for an increased efficiency.

연구 동기 및 목표

• 논리 프로그래밍에서 확률적 추론과 계층적 지식 표현을 통합하는 데 도전 과제를 해결하기 위해.
• 유산과 오버라이딩을 사용하여 불확실성 하에서 조건부 제약 조건을 추론하기 위한 형식적 의미 이론을 개발하기 위해.
• 계층적 구조를 가진 확률적 지식 기반에서 타당하고 효율적인 추론을 보장하기 위해.
• 계산 성능을 향상시키기 위한 알고리즘적 지원과 프로그램 변환을 제공하기 위해.

제안 방법

• 유산과 오버라이딩을 통합하여 확률적 디폴트를 다룰 수 있도록 고전적 논리 함의를 확장한다.
• 최근의 확률적 디폴트 추론 접근법을 활용하여 조건부 제약 조건을 위한 새로운 함의 관계를 정의한다.
• 계층적 유산과 오버라이딩 규칙을 존중하는 조건부 확률 제약 조건에 기반한 의미 이론을 도입한다.
• 지식 기반의 구조를 활용하여 계산 효율성을 높이는 확률적 추론 알고리즘을 적용한다.
• 논리 프로그램을 재구조화하여 실행 성능을 향상시키기 위한 프로그램 변환을 적용한다.
• 유산 하에서 일致성과 일관성을 보장하는 형식적 모델을 기반으로 한 프레임워크를 구축한다.

실험 결과

연구 질문

• RQ1 조건부 제약 조건이 존재하는 상황에서 확률적 논리 프로그래밍은 어떻게 인간과 오버라이딩을 지원하도록 확장될 수 있는가?
• RQ2 확률적 추론 하에서 새로운 함의 관계는 어떤 의미적 성질을 갖는가?
• RQ3 계층적 구조를 가진 확률적 논리 프로그램에서 효율적 추론은 어떻게 달성될 수 있는가?
• RQ4 유산 하에서 확률적 추론의 성능을 향상시키기 위해 어떤 프로그램 변환이 적용될 수 있는가?
• RQ5 제안된 프레임워크는 상속된 확률적 사실과 특정 확률적 사실 간의 갈등을 어떻게 처리하는가?

주요 결과

• 제안된 함의 관계는 인간과 오버라이딩을 고려한 확률적 추론에 대해 일관되고 의미론적으로 타당한 접근을 제공한다.
• 지식 기반의 다양한 계층 수준에서 충돌하는 확률적 사실이 존재하더라도 프레임워크는 타당한 추론을 지원한다.
• 지식 기반의 구조를 활용하여 계산 오버헤드를 줄이는 데 성공한 효율적 알고리즘이 개발되었다.
• 실제로 프로그램 변환이 확률적 추론의 성능을 크게 향상시킨다는 것이 입증되었다.
• 전통적 논리와의 일관성을 유지하면서도 불확실성과 유산을 다룰 수 있도록 확장된 접근을 유지한다.
• 최적화된 추론 메커니즘을 통해 계층적 확률적 지식 기반에서 확장 가능한 추론을 가능하게 한다.