[논문 리뷰] RBF-HS: Recursive Best-First Hitting Set Search

Patrick Rodler|arXiv (Cornell University)|2020. 10. 08.

AI-based Problem Solving and Planning참고 문헌 119인용 수 12

한 줄 요약

이 논문은 모델 기반 진단을 위한 메모리 효율적인 두 가지 새로운 알고리즘인 RBF-HS와 HBF-HS를 소개한다. 이 알고리즘들은 최적성, 완전성, 선형 공간 복잡도를 유지하면서도 최선의 우선 순서로 최소 장애 설명을 계산한다. RBF-HS는 재귀적 최선 우선 탐색 원리를 활용하여 메모리 사용량을 크게 줄이며, Reiter의 HS-Tree 대비 최대 4개 지수 정도 적은 메모리를 사용한다. 이는 특히 최소 카디널리티 진단에서 런타임 성능을 유지하거나 향상시킨다.

ABSTRACT

Various model-based diagnosis scenarios require the computation of most preferred fault explanations. Existing algorithms that are sound (i.e., output only actual fault explanations) and complete (i.e., can return all explanations), however, require exponential space to achieve this task. As a remedy, we propose two novel diagnostic search algorithms, called RBF-HS (Recursive Best-First Hitting Set Search) and HBF-HS (Hybrid Best-First Hitting Set Search), which build upon tried and tested techniques from the heuristic search domain. RBF-HS can enumerate an arbitrary predefined finite number of fault explanations in best-first order within linear space bounds, without sacrificing the desirable soundness or completeness properties. The idea of HBF-HS is to find a trade-off between runtime optimization and a restricted space consumption that does not exceed the available memory. In extensive experiments on real-world diagnosis cases we compared our approaches to Reiter's HS-Tree, a state-of-the-art method that gives the same theoretical guarantees and is as general(ly applicable) as the suggested algorithms. For the computation of minimum-cardinality fault explanations, we find that (1) RBF-HS reduces memory requirements substantially in most cases by up to several orders of magnitude, (2) in more than a third of the cases, both memory savings and runtime savings are achieved, and (3) given the runtime overhead is significant, using HBF-HS instead of RBF-HS reduces the runtime to values comparable with HS-Tree while keeping the used memory reasonably bounded. When computing most probable fault explanations, we observe that RBF-HS tends to trade memory savings more or less one-to-one for runtime overheads. Again, HBF-HS proves to be a reasonable remedy to cut down the runtime while complying with practicable memory bounds.

연구 동기 및 목표

• 기존의 최선 우선 진단 알고리즘은 높은 메모리 소비를 보이며, 이는 IoT 기기와 같은 메모리 제약이 있는 시스템에서의 활용을 제한한다.
• 일반적인 진단 탐색 방법을 개발하여 최적성, 완전성, 최선 우선 순서를 유지하면서도 선형 공간 범위 내에서 작동하도록 한다.
• HS-Tree와 RBF-HS를 조합하여 메모리 효율성과 런타임 성능의 균형을 이루는 하이브리드 대안을 제공한다.
• 고표현력 논리와 NP-난이도 추론을 포함하는 실제 복잡한 진단 문제에 대해 제안된 방법의 적용 가능성과 우수성을 입증한다.

제안 방법

• RBF-HS는 Korf의 재귀적 최선 우선 탐색(RBFS)을 모델 기반 진단의 히팅 세트 문제에 적용하여, 각 수준에서 현재 경로와 최선의 대안만 유지한다.
• 알고리즘은 선호 기준(예: 최소 카디널리티 또는 최대 확률)에 기반한 휴리스틱 함수를 사용하여 노드를 우선순위 정렬하고, 제한된 메모리로 재귀적 깊이 우선 전략을 통해 효율적으로 백트래킹한다.
• HBF-HS는 사용자가 정의한 임계값을 초과할 경우 메모리 사용량이 증가함에 따라 HS-Tree에서 RBF-HS로 동적으로 전환하며, HS-Tree의 빠른 성능과 RBF-HS의 메모리 효율성을 결합한다.
• 두 알고리즘은 모두 단조론 논리 언어와 추론 메커니즘에 관계없이 일반적으로 적용 가능하므로, 온톨로지 디버깅 및 지식 기반 검증과 같은 다양한 분야에 적용 가능하다.
• 모든 최소 진단이 지정된 선호 순서에 따라 정확히 나열되도록 하여 최적성과 완전성을 유지한다.
• 알고리즘은 각 노드가 부분 히팅 세트를 나타내고, 리프 노드는 완전한 최소 진단에 해당하는 히팅 세트 트리 구조로 구현되어 있다.

실험 결과

연구 질문

• RQ1 최적성과 완전성을 유지하면서도 선형 공간 내에서 작동하는 최선 우선 진단 알고리즘을 설계할 수 있는가?
• RQ2 실제 진단 문제에 대해 RBF-HS의 메모리 및 런타임 성능이 널리 사용되는 HS-Tree 알고리즘과 비교하여 어떻게 되는가?
• RQ3 특히 고카디널리티 또는 복잡한 진단 문제에서 RBF-HS는 런타임 오버헤드를 감수하면서도 메모리 소비를 얼마나 줄일 수 있는가?
• RQ4 HBF-HS와 같은 하이브리드 전략은 메모리 제약 환경에서 메모리 효율성과 런타임 성능을 효과적으로 균형 잡을 수 있는가?
• RQ5 제안된 방법은 진단을 넘어 다른 최선 우선 히팅 세트 계산 문제로 일반화될 수 있는가?

주요 결과

• RBF-HS는 ccc 및 cce와 같은 가장 어려운 케이스에서 HS-Tree 대비 최대 4200배 메모리 사용량을 줄였으며, 한 경우에서는 단 125개의 트리 노드만을 사용했다.
• 최소 카디널리티 진단의 38%의 케이스에서 RBF-HS는 HS-Tree 대비 최대 65% 향상된 런타임 성능을 기록했으며, 메모리 사용량은 99.9% 감소했다.
• 가장 가능성 있는 진단의 경우, RBF-HS는 메모리 절감을 위해 런타임을 거의 1:1 비율로 희생시키며, 일부 케이스에서는 상당한 오버헤드가 관찰되었다.
• HBF-HS는 RBF-HS의 런타임 오버헤드를 효과적으로 완화하여 계산 시간을 HS-Tree 수준으로 낮추면서도 메모리 사용량을 제한했다.
• 한 경우(cee, SPL, 20)에서 HS-Tree는 37분 만에 메모리가 부족해 중단되었으나, RBF-HS는 11분 이내에 문제를 해결했고 메모리 사용량은 최소한이었다.
• 결과는 RBF-HS가 최소 카디널리티 진단에 대해 잘 스케일링되며, 다양한 실제 지식 기반 진단 문제에서 뚜렷한 메모리 및 런타임 향상을 달성함을 확인한다.