[论文解读] Algebraic Model Counting

Angelika Kimmig, Guy Van den Broeck+1 more|arXiv (Cornell University)|Nov 19, 2012

Bayesian Modeling and Causal Inference参考文献 16被引用 5

一句话总结

本文提出了代数模型计数（AMC），这是加权模型计数（WMC）在交换幺半群上的推广，使得概率推理、约束满足和数据库查询等任务能够实现统一推理。研究表明，AMC 可通过 sd-DNNF 电路高效计算，并识别出在何种条件下可应用更紧凑的电路类别，从而推广了已有结果，并在多种任务中实现高效推理。

ABSTRACT

Weighted model counting (WMC) is a well-known inference task on knowledge bases, used for probabilistic inference in graphical models. We introduce algebraic model counting (AMC), a generalization of WMC to a semiring structure. We show that AMC generalizes many well-known tasks in a variety of domains such as probabilistic inference, soft constraints and network and database analysis. Furthermore, we investigate AMC from a knowledge compilation perspective and show that all AMC tasks can be evaluated using sd-DNNF circuits. We identify further characteristics of AMC instances that allow for the use of even more succinct circuits.

研究动机与目标

• 将概率推理、模型计数和约束满足等多样化推理任务统一到基于幺半群结构的单一框架下。
• 将加权模型计数（WMC）推广至任意交换幺半群，支持数字、集合、多项式及布尔公式等标签。
• 通过知识编译技术（特别是 sd-DNNF 电路）实现 AMC 任务的高效评估，该方法比直接枚举模型更具紧凑性。
• 识别 AMC 实例的结构特征，使得可在 sd-DNNF 之外使用更紧凑的电路表示形式。
• 建立 AMC 推广幺半群求和（如基于推导的求和）的条件，扩展其在语法和路径问题中的适用性。

提出的方法

• 将 AMC 定义为命题理论模型的求和，其中每个文字通过函数映射到交换幺半群，结果通过幺半群运算 ⊕ 和 ⊗ 计算。
• 利用 Darwiche 和 Marquis 提出的知识编译映射，将 AMC 问题编译为 sd-DNNF 电路，该电路支持通过动态规划实现 AMC 的高效评估。
• 识别幺半群和标签函数的充分条件（如幂等加法和中性 ⊕ 运算），使得可在更紧凑的电路类别（如 DNNF 或 OBDD）上实现可靠评估。
• 通过将现有任务映射到特定幺半群和标签函数，证明 AMC 可推广已有任务，如表 1 所示（例如，PROB 用于概率推理，S-PATH 用于最短路径）。
• 通过将负文字的标签扩展并确保与幺半群公理一致，从基于推导的计算（如上下文无关语法或路径问题）中构造等价的 AMC 实例。
• 提供一个框架，将代数推导计数（如在幺半群语法中）映射为 AMC 任务，通过将推导编码为模型并相应地分配标签。

实验结果

研究问题

• RQ1 加权模型计数能否在统一框架下推广至支持任意幺半群标签（如集合、多项式或布尔公式）？
• RQ2 在何种条件下，可使用知识编译（特别是 sd-DNNF 电路）高效评估 AMC 任务？
• RQ3 幺半群和标签函数的何种结构特性，可使电路表示形式比 sd-DNNF 更加紧凑？
• RQ4 如何通过基于模型的编码，将代数推导计数（如在语法或路径问题中）简化为 AMC 任务？
• RQ5 为将现有基于推导的计算（如网络可靠性）映射到 AMC，需要对标签或约束进行何种变换？

主要发现

• AMC 推广了加权模型计数（WMC），并在基于幺半群的统一框架下统一了概率推理、模型计数、最短路径和敏感性分析等多样化推理任务。
• 所有 AMC 任务均可通过 sd-DNNF 电路可靠评估，其紧凑性优于直接枚举模型，并支持高效的动态规划计算。
• 对于某些幺半群和标签配置（如具有幂等加法和中性 ⊕ 运算的情况），AMC 可在更紧凑的电路类别（如 DNNF 或 OBDD）上评估。
• 本文系统地将现有任务（如 S-PATH、PROB、MPE）映射到 AMC，通过特定幺半群和标签函数实现，详见表 1。
• 当标签扩展至负文字并保持幺半群公理一致时，AMC 可推广基于推导的求和（如在上下文无关语法或路径问题中）。
• 通过根据 AMC 实例的结构特性选择合适的电路类型，该框架可为新任务实现高效推理。