인과 확률 논리 언어와 논리 프로그래밍의 연계

본 논문은 확률적 인과 법칙을 논리적 형식으로 기술하기 위한 새로운 언어, CP‑logic을 소개한다. 연구 동기는 두 가지이다. 첫째, 인과 지식의 표현을 근본적으로 탐구하고자 하는 학문적 관심이다. 인과 관계는 본질적으로 동적인 특성을 가지며, Shafer가 제시한 ‘확률 트리’라는 모델을 통해 이러한 동적 전이를 정형화한다. 두 번째는 확률 논리 프로그래밍 분야에 실용적인 기여를 하고자 함이다. 기존 ICL, PRISM 등은 규칙에 확률을 부착하는 방식으로 의미를 정의하지만, 그 비공식적 의미가 명확히 제시되지 못했다. 논문은 먼저 확률 트리의 개념을 재정의한다. 트리의 각 노드는 상태(state)를 나타내고, 간선은 ‘Humean event’라 불리는 상태 전이를 의미한다. 이러한 전이는 특정 ‘원인’에 의해 발생한다는 가정 하에, 원인‑결과 관계를 ‘가능한 효과 ← 원인’ 형태의 인과 법칙으로 기술한다. 원인이 명시되지 않은 경우는 진공 원인으로 간주한다. 예시로 제시된 John‑Mary 시나리오에서는 네 개의 인과 법칙을 도출한다. (1) ‘Break : 0.8 ← Throws(Mary)’, (2) ‘Break : 0.6 ← Throws(John)’, (3) ‘Throws(Mary) : 0.5’, (4) ‘Throws(John)’. 이 네 법칙만으로 Figure 2에 나타난 복잡한 확률 트리를 완전히 재현할 수 있다. 또한, 동일한 법칙 집합이 다른 순서의 트리(Figure 3)에서도 같은 최종 확률(창문이 깨질 확률 0.76)을 산출함을 보이며, 인과 법칙이 트리의 비본질적 순서 정보를 배제하고 핵심 확률 정보를 보존한다는 점을 강조한다. 형식적 의미론은 ‘실행 모델’이라는 개념을 도입한다. 인과 법칙 집합이 정의하는 전이 규칙에 따라 가능한 모든 트리를 생성하고, 각 트리는 확률적 실행 모델이 된다. 그런 다음, 각 실행 모델을 논리 프로그램으로 변환하고 well‑founded semantics를 적용해 모델을 얻는다. 각 전이(법칙)의 확률을 곱해 전체 확률 분포를 정의한다. 이 과정은 ICL·PRISM과 동일한 확률 분포를 제공함을 정리와 증명을 통해 보인다. 논문은 또한 CP‑logic과 베이지안 네트워크 간의 관계를 탐구한다. 베이지안 네트워크는 변수 간 조건부 독립성을 그래프 구조로 명시하지만, CP‑logic은 사건 자체가 상태 속성에 의해 직접 발생한다는 점에서 더 유연하고 재사용 가능하다. 예를 들어, 특정 질병이 증상을 일으키는 인과 법칙을 정의하면, 그 질병이 어떤 원인에 의해 발생했든 관계없이 동일한 법칙을 적용할 수 있다. 수학적 배경으로는 격자(lattice) 이론과 논리 프로그래밍의 고정점 이론을 활용한다. 인과 법칙은 부분 순서 집합 위에 정의되며, 전이 연산은 이 격자 위에서 단조적(monotone) 함수를 구성한다. 고정점 연산을 반복 적용해 well‑founded 모델을 구하고, 이를 확률 분포와 결합한다. 논문은 이러한 과정이 수렴함을 보이고, 모든 실행 모델이 동일한 확률 분포를 산출한다는 정리를 증명한다. 마지막으로, 기존 확률 논리 프로그래밍이 비전문가에게 직관적 의미를 전달하기 어려웠던 점을 비판하고, CP‑logic이 ‘인과 법칙 = 사건 발생 원인’이라는 직관을 명확히 제공함으로써 비전문가와 전문가 모두가 이해하기 쉬운 지식 표현 체계를 제공한다는 점을 강조한다.