[论文解读] Answer Set Programming for Stream Reasoning

Martin Gebser, Torsten Grote+4 more|arXiv (Cornell University)|Jan 8, 2013

Logic, Reasoning, and Knowledge参考文献 20被引用 10

一句话总结

本文提出时间衰减逻辑程序用于答案集编程（ASP），以实现对连续数据滑动窗口的高效、知识密集型流式推理。通过离线编码静态知识并动态激活规则以响应瞬态输入，该方法支持基于冲突驱动学习的增量推理，显著优于朴素的重新生成方法，并在机器人学和辅助生活等动态领域实现了可扩展的推理。

ABSTRACT

The advance of Internet and Sensor technology has brought about new challenges evoked by the emergence of continuous data streams. Beyond rapid data processing, application areas like ambient assisted living, robotics, or dynamic scheduling involve complex reasoning tasks. We address such scenarios and elaborate upon approaches to knowledge-intense stream reasoning, based on Answer Set Programming (ASP). While traditional ASP methods are devised for singular problem solving, we develop new techniques to formulate and process problems dealing with emerging as well as expiring data in a seamless way.

研究动机与目标

• 为解决传统数据流管理系统的复杂推理能力不足问题，这些系统侧重于高吞吐量处理，但缺乏语义推理能力。
• 在动态领域（如辅助生活、机器人学和调度）中实现知识密集型流式推理，要求推理能够适应不断变化和过期的数据。
• 开发一种基于答案集编程（ASP）的声明式建模框架，支持对连续流中数据出现和过期的无缝处理。
• 通过将静态知识与动态数据分离，减少重新生成的计算开销，实现高效的增量推理。
• 在时间敏感的滑动窗口场景中，支持默认推理（如框架公理）的忠实集成与正确过期。

提出的方法

• 该方法使用时间衰减逻辑程序，为规则和原子公式分配生命周期，以建模连续流中数据的出现与过期。
• 扩展了反应式ASP系统oclingo，引入#base、#cumulative和#volatile指令，以分离静态、累积和瞬态规则组件。
• 静态知识（通过#base）仅在离线阶段一次生成，而动态输入（通过#volatile和#step指令）在每一步中逐步集成。
• 系统在各步之间重用命题原子公式和约束，利用冲突驱动学习加速推理。
• 框架公理由一种方式编码，使其在时间槽上默认持久存在，过期则通过时间衰减规则生命周期管理。
• 通过保持固定的命题表示，该方法支持连续查询处理，仅在每个窗口中激活相关部分。

实验结果

研究问题

• RQ1 如何将答案集编程（ASP）适配于支持具有随时间变化内容的数据流的连续、知识密集型推理？
• RQ2 如何将静态知识与动态数据分离，以在增量流处理中最小化重新生成的开销？
• RQ3 在滑动窗口模型中，如何正确保留并过期默认推理（如框架公理）？
• RQ4 在反应式ASP用于流式推理时，静态与累积编码策略之间存在哪些性能权衡？
• RQ5 在具有数据过期的流式处理场景中，冲突驱动学习能否在各步之间有效重用？

主要发现

• 在初始设置阶段之后，oclingo中的静态编码策略性能优于累积变体，因为每一步的规则重新实例化减少。
• 在初始不满足查询之后，oclingo采用静态编码可在后续不满足查询中表现优于clingo，因为学习到的约束可被重用。
• 尽管已正确删除无关约束，原型oclingo系统目前仍因跟踪过期原子公式的内存开销而性能低于clingo。
• 静态编码虽然初始设置时间更长，但通过避免为新作业请求重复展开规则，实现了更优的长期性能。
• 在作业调度基准测试中，部分不满足查询使用累积编码解决得更快，尤其是在流的后期步骤中。
• 结果表明，当同一不满足性原因在多个查询中持续存在时，冲突驱动学习能显著加速推理。