[논문 리뷰] Reasoning about soft constraints and conditional preferences: complexity results and approximation techniques

Carmel Domshlak, Francesca Rossi외 2명|ArXiv.org|2009. 05. 22.

Constraint Satisfaction and Optimization참고 문헌 15인용 수 76

한 줄 요약

이 논문은 최적화 문제에서 하드/소프트 제약 조건과 조건부 선호를 동시에 다룰 수 있도록 CP-네트워크와 소프트 제약 조건을 통합하는 통합 프레임워크를 제안한다. 이 프레임워크는 계산 복잡도를 줄이면서도 CP-네트워크의 의미를 유지하는 두 가지 근사 기법—min+와 SLO 준환환계—를 도입한다. SLO는 사전순서를 제공하고, min+는 더 나은 일致성 유지 능력을 갖춘 강력한 지배성 쿼리(query)를 가능하게 한다.

ABSTRACT

Many real life optimization problems contain both hard and soft constraints, as well as qualitative conditional preferences. However, there is no single formalism to specify all three kinds of information. We therefore propose a framework, based on both CP-nets and soft constraints, that handles both hard and soft constraints as well as conditional preferences efficiently and uniformly. We study the complexity of testing the consistency of preference statements, and show how soft constraints can faithfully approximate the semantics of conditional preference statements whilst improving the computational complexity

연구 동기 및 목표

• 실제 최적화 문제에서 하드 제약 조건, 소프트 제약 조건, 조건부 선호를 통합적으로 다룰 수 있는 형식적 프ORMALISM의 부재를 해결하기 위해.
• qualitative 조건부 선호(CP-네트워크)의 추론에 대한 계산 복잡도, 특히 선호 일致성(preferential consistency)을 분석하기 위해.
• CP-네트워크 의미를 충실하게 모델링하면서도 타당성(tractability)을 향상시키는 소프트 제약 조건 기반의 근사 기법을 개발하기 위해.
• min+와 SLO 준환환계의 두 근사 기법 간의 표현력과 복잡도를 비교하기 위해.
• 제품 구성과 같은 시스템에서 실용적인 선호 추출과 일치성 검사를 가능하게 하기 위해 통합된 제약 조건 및 선호 추론 프레임워크를 제공하기 위해.

제안 방법

• c-준환환계를 사용하여 CP-네트워크와 소프트 제약 조건을 통합함으로써, 하드, 소프트, 조건부 선호를 통일적으로 다룰 수 있도록 한다.
• min+ 준환환계는 조합에 대해 min을, 비교에 대해 +를 사용하며, 최소 만족 수준을 통해 지배성(dominance)을 모델링한다.
• SLO 준환환계는 정수 수열에 대해 max_s 및 min_s 연산자를 사용하여 사전순서를 구현함으로써 CP-네트워크 선호를 정확히 모델링한다.
• 선호 수열은 제약 위반에 따라 값이 할당되며, 높은 값일수록 더 높은 만족도를 의미한다.
• SLO 모델은 각 CP-네트워크 선호를 정수 수열로 인코딩하며, 각 위치는 하나의 제약 조건과 그 선호 수준을 반영한다.
• 지배성 쿼리는 준환환계 연산을 통해 평가되며, 유도된 부분 순서 또는 전순서에 따라 결과가 순서 정렬된다.

실험 결과

연구 질문

• RQ1 CP-네트워크를 통해 표현된 조건부 선호 문장의 일관성 검사를 위한 계산 복잡도는 무엇인가?
• RQ2 소프트 제약 조건을 어떻게 사용하여 CP-네트워크 의미를 근사화하면서 추론 복잡도를 줄일 수 있는가?
• RQ3 표현력과 계산 효율성 측면에서 min+와 SLO 근사 기법 간의 상호 교환적 특성은 무엇인가?
• RQ4 SLO 준환환계는 CP-네트워크의 ceteris paribus 의미와 조건부 선호 구조를 유지할 수 있는가?
• RQ5 두 근사 모델이 CP-네트워크에서 비교 불가능한 결과를 어떻게 다루는가?

주요 결과

• SLO 준환환계는 사전순서를 유도하여 CP-네트워크 선호 관계 전체를 유지하며, 조건부 의존성과 ceteris paribus 가정을 포함한다.
• min+ 준환환계는 비교 불가능한 결과에 대해 더 덜 공격적인 선형화를 제공하여, 이를 임의로 순서 정렬하는 대신 동일시한다.
• 두 근사 기법 모두 비교 가능한 결과에 대해 원래 CP-네트워크의 지배성 관계를 유지하여 의미의 충실성을 확보한다.
• SLO 모델은 모든 선호 문장을 엄격히 순서 정렬하지만, min+는 비교 불가능성을 동일시 처리하므로 사용자에게 더 직관적일 수 있다.
• SLO 모델은 준환환계 구조 덕분에 지배성 쿼리에 대해 선형 시간 복잡도를 유도하여 효율적인 추론이 가능하다.
• min+ 모델은 비교 불가능성을 유지하는 것이 중요한 선호 추출에 더 적합하며, SLO는 최적화에서 엄격한 전순서를 필요로 할 때 더 유리하다.