확률 논리 프로그래밍의 잘 정의성 및 효율적 추론

초록

본 논문은 함수 기호를 포함하는 논리 프로그램에서도 분포 의미론이 잘 정의될 수 있는 새로운 프로그램 클래스인 “bounded‑term‑size” 프로그램을 제시하고, 이를 기반으로 BDD와 답변 합성을 이용한 탭링 기반 추론 알고리즘 PITA를 설계·구현한다. 실험 결과 PITA는 기존 ProbLog·cplint·CVE 대비 함수 기호가 있는 경우에도 더 큰 문제를 더 빠르게 해결한다.

상세 분석

이 논문은 분포 의미론(Distribution Semantics)이 함수 기호가 있는 LPAD(Logic Programs with Annotated Disjunctions)에서 정의되지 않을 위험을 정확히 짚어낸다. 기존 연구는 프로그램을 비순환(acyclic)으로 제한하거나, 모든 질의가 유한한 설명 집합을 갖는다고 가정했지만, 이는 실제 응용에서 지나치게 제한적이다. 저자들은 Przymusinski(1989)의 동적 층화(dynamic stratification)와 iterated fix‑point 개념을 활용해 “bounded‑term‑size” 프로그램을 정의한다. 핵심 아이디어는 각 반복 단계에서 파생되는 진리 원자들의 크기(term‑size)가 무한히 증가하지 않도록 보장함으로써, 어떤 질의에 대해서도 유한하고 상호 배타적인 설명 집합(covering set of mutually incompatible explanations)을 확보한다는 점이다. 이 조건이 충족되면 Poole(2000)의 설명‑커버링 이론에 따라 확률 측정 μ가 유일하게 정의될 수 있다.

알고리즘적 기여는 두 부분으로 나뉜다. 첫째, LPAD를 일반 논리 프로그램으로 변환하면서 각 서브골에 BDD(Binary Decision Diagram) 형태의 설명을 부착한다. 둘째, XSB 시스템의 SLG‑resolution에 탭링과 답변 합성(answer subsumption) 메커니즘을 결합한다. 탭링은 동일 서브골에 대한 설명을 재사용하게 해 중복 연산을 방지하고, 답변 합성은 서로 다른 파생 경로에서 얻어진 BDD들을 논리적 OR 연산으로 결합해 최종 설명을 압축한다. 이렇게 구성된 PITA는 설명 생성 단계와 확률 계산 단계가 자연스럽게 결합돼, 기존 BDD‑기반 ProbLog 구현보다 메모리와 시간 효율이 뛰어나다.

이론적 정당성도 충분히 증명한다. bounded‑term‑size 질의에 대해 설명 집합이 유한함을 보이고, PITA가 생성하는 BDD가 정확히 그 집합을 표현함을 증명한다. 또한, 동적 층화와 iterated fix‑point을 이용해 프로그램 전체가 well‑founded semantics을 만족한다는 점을 확인한다.

실험에서는 함수 기호가 있는 두 도메인(예: 가족 관계와 자연어 파싱)과 함수 기호가 없는 네 도메인(예: 전자 회로, 바이오네트워크 등)을 선택해, PITA, ProbLog, cplint, CVE의 실행 시간을 비교한다. 결과는 PITA가 대부분의 경우 더 큰 인스턴스를 해결하고, 특히 함수 기호가 포함된 경우에도 메모리 초과 없이 성공적으로 추론함을 보여준다. 이는 bounded‑term‑size 조건이 실용적인 프로그램에 널리 적용될 수 있음을 시사한다.

전반적으로 이 논문은 확률 논리 프로그래밍의 이론적 기반을 확장하고, 효율적인 구현 기법을 제시함으로써 함수 기호가 있는 복잡한 도메인에서도 신뢰성 있는 확률 추론을 가능하게 만든다.