CHR PRISM 기반 확률 논리 학습

초록

본 논문은 제약 처리 규칙(CHR)과 확률 논리 프로그래밍 프레임워크 PRISM을 결합한 새로운 언어 CHRiSM을 제안한다. CHRiSM은 “chance rule”이라 불리는 확률적 규칙을 통해 복잡한 통계 모델을 고수준에서 빠르게 프로토타이핑하도록 설계되었으며, PRISM의 기대-최대화(EM) 학습 및 확률 추론 엔진을 그대로 활용한다. 논문은 언어의 문법·운영 의미론을 정의하고, 모호성(ambiguous) 프로그램과 비모호성 프로그램에 대한 분포 의미론을 제시한다. 또한 CHR(PRISM) 기반 구현 방법과 기존 확률 논리 프로그래밍 언어(PCHR 등)와의 관계를 논의하고, 적용 가능 분야를 제시한다.

상세 분석

CHRiSM은 CHR의 다중 헤드 멀티셋 재작성 규칙과 PRISM의 확률적 선택자를 자연스럽게 융합한다는 점에서 혁신적이다. 기존 CHR는 결정론적 제약 전파에 초점을 맞추었으나, CHRiSM은 각 규칙에 확률 파라미터를 부여함으로써 불확실성을 모델링한다. 논문은 이를 위해 “chance rule” 구문을 도입하고, 규칙 적용 시 PRISM의 msw(다중 선택 무작위 변수)와 연동해 확률적 선택을 수행한다. 운영 의미론은 전통적인 CHR의 구문적 전이와 PRISM의 샘플링·학습 절차를 결합한 두 단계 전이 시스템으로 정의된다. 특히, 프로그램이 모호한 경우(동일한 초기 상태에서 여러 확률적 파생 경로가 존재)와 비모호한 경우를 구분하고, 비모호 프로그램에 대해서만 명확한 분포 의미론을 제공한다는 점은 이론적 엄밀성을 확보한다.

또한, CHRiSM의 구현은 기존 CHR(PRISM) 엔진 위에 레이어를 추가하는 방식으로 이루어져, 기존 CHR와 PRISM 코드와의 호환성을 유지한다. 이는 개발자가 기존에 작성한 CHR 규칙을 최소한의 수정만으로 확률적 모델로 전환할 수 있게 해준다. 파라미터 학습은 PRISM의 EM 알고리즘을 그대로 활용하므로, 대규모 데이터에 대한 효율적인 최대우도 추정이 가능하다.

논문은 PCHR과의 비교에서도 차별점을 강조한다. PCHR은 CHR에 확률적 전이를 부여했지만, 학습 메커니즘이 제한적이며, 확률 분포의 명시적 정의가 복잡한 반면, CHRiSM은 PRISM의 강력한 학습·추론 인프라를 그대로 이용한다. 따라서 복잡한 베이지안 네트워크, 히든 마르코프 모델, 구조적 학습 문제 등에 자연스럽게 적용할 수 있다.

마지막으로 잠재적 적용 분야로는 자연어 처리(NLP)에서의 문법 파싱, 로봇 공학의 행동 계획, 생물정보학의 유전자 네트워크 모델링, 그리고 사회 과학에서의 설문 응답 모델링 등을 제시한다. 이러한 분야는 모두 불확실성을 내포한 복합 규칙 기반 시스템을 필요로 하며, CHRiSM은 선언적 규칙 작성과 자동 파라미터 학습을 동시에 제공함으로써 연구·개발 효율을 크게 향상시킬 수 있다.