규범 설계의 자동화: 귀납 논리 학습을 통한 반복적 프레임워크 개선

초록

본 논문은 규범 프레임워크(가상 기관)를 ASP 기반 논리 프로그램으로 모델링하고, 사용 사례(이벤트 트레이스와 기대 상태)로부터 귀납 논리 프로그래밍(ILP) 기법을 적용해 규칙을 자동 생성·수정하는 반복적 설계 방법을 제안한다.

상세 분석

이 연구는 규범 프레임워크를 형식화하기 위해 두 가지 핵심 요소, 즉 사건(E)과 플루언트(F)를 도입하고, 이를 ASP(Answer Set Programming)으로 구현한다. 사건은 외생(E_ex)과 규범(E_norm)으로 구분되며, 규범 사건은 다시 행동(E_act)과 위반(E_viol)으로 세분된다. 플루언트는 권한(P), 권력(W), 의무(O)와 도메인 특수 플루언트(D)로 나뉜다. 프레임워크의 동작은 ‘생성 관계 G’와 ‘결과 관계 C’에 의해 정의되며, G는 특정 사건이 발생했을 때 권한이 충족되면 다른 규범 사건을 “카운트-애즈” 방식으로 유도하고, C는 사건에 의해 플루언트를 시작·종료한다. 이러한 형식 모델을 ASP 규칙으로 변환하면, 시간 인스턴스와 사건 발생을 나타내는 원자들을 통해 트레이스 기반 시뮬레이션이 가능해진다.

핵심 기여는 두 단계의 학습 메커니즘이다. 첫째, 설계자는 사용 사례를 통해 기대되는 최종 상태를 명시한다. 트레이스가 주어졌을 때 현재 ASP 프로그램이 기대 상태를 만족하지 못하면, 해당 실패 사례와 기존 규칙 집합을 ILP 입력으로 제공한다. 둘째, ILP는 사전 정의된 모드 선언(modeh, modeb)을 기반으로 가능한 가설 공간을 탐색하고, 최소 수정(minimal revision) 원칙에 따라 규칙 추가·삭제·조건 수정 등을 제안한다. 여기서 최소 수정은 변환 연산(규칙 삭제, 사실 추가, 조건 추가·삭제)의 수를 최소화하는 것을 의미한다.

논문은 또한 비단조성(non‑monotonic) 특성을 가진 ASP에서 이론 수정(TR) 문제를 다루기 위해 기존 ILP와 차별화된 ‘이론 수정 거리’ 개념을 도입한다. 이는 기존 규칙 집합과 새 가설 사이의 변환 연산 횟수를 정량화해, 설계자가 직관적으로 이해하고 선택할 수 있는 후보 수정안을 제공한다.

실험은 파일 공유 규범 시스템을 사례로 삼아, 초기 규칙 집합에 몇 차례의 사용 사례를 추가하면서 자동으로 규칙이 보완되는 과정을 보여준다. 각 단계에서 생성된 답집합은 설계자가 디버깅용으로 활용할 수 있으며, 전체 프로세스는 설계·검증·수정의 순환을 통해 규범 프레임워크의 일관성과 완전성을 점진적으로 향상시킨다.