답집합 기반 확률 추론 언어 Plog

본 논문은 논리와 확률을 동시에 다룰 수 있는 선언적 언어 Plog를 제안한다. 서론에서는 KR 언어의 정의와 기존 논리 프로그래밍, 특히 ASP의 장점을 소개하고, 확률적 요소를 통합해야 하는 필요성을 제시한다. ASP는 기본적인 논리적 추론, 기본 부정(not), 강한 부정(¬), 그리고 선택적 disjunction(or) 등을 지원하지만, 확률적 신념 정도를 표현하지 못한다는 한계가 있다. 제2절에서는 Plog의 구문을 상세히 정의한다. 프로그램은 논리 파트와 확률 파트로 구성되며, ‘random(a)’ 선언을 통해 속성 a의 가능한 값 집합을 지정한다. pr‑atom은 ‘pr r(a(t)=y | B)=v’ 형태로, 조건 B가 만족될 때 a(t) = y가 발생할 확률 v를 명시한다. 또한, ASP 규칙과 동일한 형식의 일반 규칙을 사용해 속성 간 인과 관계를 기술한다. 제3절에서는 의미론을 제시한다. 먼저 논리 파트를 순수 ASP 프로그램 τ(Π)로 변환하고, 그 답집합들을 가능한 세계로 본다. 각 세계에 대한 확률은 해당 세계가 만족하는 pr‑atom들의 곱과, 속성값에 대한 동등성 원칙에 의해 결정된다. 예시로 a : {1,2,3}. random(a). pr(a=1)=1/2 라는 프로그램을 통해 세계 W1={a=1}, W2={a=2}, W3={a=3}이 생성되고, µ(W1)=1/2, µ(W2)=µ(W3)=1/4가 할당되는 과정을 설명한다. 제4절은 업데이트 메커니즘을 다룬다. 관측을 추가하면 가능한 세계가 제거되고, 새로운 규칙을 추가하면 세계 집합 자체가 확장될 수 있다. 이는 기존 확률 논리 체계가 제공하는 단조적 업데이트와 달리 비단조적 업데이트를 지원한다. 특히, 관측과 행위의 구분을 통해 인과적 베이즈망에서의 ‘do‑연산자’를 ASP의 default negation을 이용해 모델링한다. 제5절에서는 다양한 예시를 통해 Plog의 활용성을 보여준다. 첫 번째 예시는 단순한 속성 선택 문제이며, 두 번째는 Simpson 역설을 포함한 행동-관측 구분 사례이다. 이어서 이동 로봇, 스위치 네트워크, 그리고 우주왕복선 RCS 진단 시스템 등 복잡한 도메인에 적용한 사례를 제시한다. 각 사례에서 논리적 제약과 확률적 정보를 동시에 기술하고, 업데이트를 통해 상황 변화에 대응하는 과정을 상세히 설명한다. 제6절에서는 프로그램 일관성(코히어런시) 조건을 제시한다. 충분조건으로는 (i) 모든 pr‑atom이 정의된 속성에 대해 유일한 확률값을 갖고, (ii) 충돌 없는 조건부 확률표, (iii) 전체 확률이 1로 정규화되는 것을 들며, 이를 만족하면 프로그램은 일관된 확률 모델을 제공한다. 또한 베이즈망을 Plog 프로그램으로 변환하는 절차를 제시한다. 베이즈망의 노드와 조건부 확률표를 각각 random 선언과 pr‑atom으로, 인과 관계를 ASP 규칙으로 매핑함으로써, 베이즈망이 일관된 Plog 프로그램이 됨을 증명한다. 제7절은 기존 연구와의 비교를 제공한다. Plog는 다른 확률 논리 프로그래밍 언어(예: ProbLog, PRISM, LPAD)와 달리 ASP의 비단조적 논리와 인과적 베이즈망을 직접 결합한다. 또한, 관측과 행위의 구분, 비단조적 업데이트, 그리고 선언적 확률 할당 메커니즘에서 차별점을 강조한다. 마지막으로 제8절에서는 현재 구현의 한계와 향후 연구 방향을 논한다. 현재는 유한 Herbrand 도메인에 제한되며, 무한 시간 도메인이나 연속 확률 변수를 다루기 위해서는 Smodels와 같은 ASP 솔버의 확장이 필요하다. 또한 효율적인 추론 알고리즘, 대규모 베이즈망과의 통합, 그리고 학습 메커니즘 도입이 앞으로의 과제로 제시된다. 전반적으로 논문은 ASP와 베이즈망을 결합한 새로운 KR 언어 Plog를 정의하고, 그 구문·의미론·업데이트·일관성·베이즈망 매핑 등을 체계적으로 제시함으로써, 복합적인 논리·확률 지식의 표현과 추론을 위한 강력한 도구를 제공한다.