ProbLog 추론을 위한 DNF 샘플링 기법

초록

ProbLog의 추론 문제를 DNF 형태로 변환한 뒤, 기존의 어려운 비분리 합산(disjoint‑sum) 문제를 회피하기 위해 DNF 샘플링을 적용한다. 이 방법은 DNF 구조를 활용해 효율적인 확률 추정이 가능하도록 설계되었으며, 기존의 Monte‑Carlo 기반 샘플링 기법과 비교해 정확도와 실행 시간에서 경쟁력을 보인다. 실험 결과는 제안 기법이 특히 큰 논리식에서 높은 샘플 효율성을 제공함을 보여준다.

상세 분석

본 논문은 ProbLog와 같은 확률 논리 프로그래밍 언어에서 핵심적인 추론 과제가 “DNF(Disjunctive Normal Form) 형태의 논리식에 대한 전체 확률을 계산하는 것”임을 재확인한다. 전통적으로 이 문제는 disjoint‑sum‑problem이라 불리는, 서로 겹치는 증거 조합을 제거하면서 전체 확률을 구해야 하는 NP‑hard 문제로 알려져 있다. 기존 접근법은 정확한 계산을 위해 BDD(Binary Decision Diagram)나 OBDD와 같은 구조를 사용하거나, 단순히 전체 가능한 세계를 무작위로 샘플링하는 Monte‑Carlo 방식을 채택했다. 그러나 전자는 메모리 소모가 크고, 후자는 증거가 희소한 경우 샘플 효율이 급격히 떨어진다.

논문은 이러한 한계를 극복하기 위해 DNF 자체를 샘플링 대상에 포함시키는 새로운 아이디어를 제시한다. 구체적으로, ProbLog 프로그램을 먼저 “가능한 증거 집합(증명)들의 DNF”로 변환한다. 각 절(clause)은 독립적인 증거 조합을 나타내며, 절 내부의 리터럴은 해당 증거가 참일 확률을 곱한 값으로 표현된다. DNF 샘플링은 두 단계로 이루어진다. 첫 번째 단계에서는 DNF의 절들을 가중치에 비례해 선택한다(가중치는 절의 확률적 가중합). 두 번째 단계에서는 선택된 절 내부의 리터럴들을 실제 세계에 매핑하기 위해 각 리터럴을 독립적으로 샘플링한다. 이렇게 하면 전체 세계를 전부 탐색할 필요 없이, “대표적인” 세계를 효율적으로 추출할 수 있다.

핵심 이론적 기여는 샘플링 편향을 보정하기 위한 역가중치(importance weight) 계산이다. 선택된 절의 확률적 가중치와 실제 리터럴 샘플링 확률을 이용해 추정값을 무편향(unbiased)하게 만들며, 이는 기존 Monte‑Carlo 방식이 갖는 편향 문제를 해결한다. 또한, 논문은 샘플 수와 추정 오차 사이의 수학적 관계를 제시해, 원하는 정확도 수준에 맞는 샘플 크기를 사전에 계산할 수 있게 한다.

실험에서는 두 가지 베이스라인을 사용한다. 첫 번째는 기존 ProbLog 구현에 포함된 “Exact” 엔진으로, BDD 기반 정확한 계산을 수행한다. 두 번째는 “MC‑ProbLog”라 불리는 전통적인 Monte‑Carlo 샘플링 방법이다. 다양한 도메인(그래프 경로 탐색, 유전학적 네트워크, 소셜 네트워크 전파 모델)에서 DNF 샘플링은 특히 절의 수가 수천에서 수만에 달하는 대규모 DNF에 대해 샘플 효율이 크게 향상됨을 보였다. 정확도 측면에서는 95% 신뢰 구간 내에서 베이스라인과 거의 차이가 없었으며, 실행 시간은 평균 30%~50% 정도 단축되었다. 특히, 증거가 희소하고 절이 매우 긴 경우(예: 긴 경로 탐색)에는 MC‑ProbLog이 거의 수렴하지 못하는 반면, DNF 샘플링은 안정적인 추정값을 제공했다.

결론적으로, 논문은 DNF 자체를 샘플링 대상으로 삼는 것이 확률 논리 추론에서 “구조적 정보 활용”이라는 새로운 패러다임을 제시한다는 점을 강조한다. 이 접근법은 기존 정확한 방법이 메모리 한계에 부딪히는 경우와, 전통적인 샘플링이 효율성을 잃는 경우 모두에 적용 가능하며, 향후 복합적인 확률 프로그램이나 동적 논리 체계에도 확장될 여지가 있다.