자격과 근접성을 갖는 CLP 구현을 위한 변환 기반 접근

초록

본 논문은 기존 CLP(제약 논리 프로그래밍) 체계에 자격값과 근접 관계를 도입한 SQCLP 스킴을 CLP 프로그램으로 변환하는 방법을 제시한다. 변환 기법을 통해 SQCLP 프로그램과 목표를 의미적으로 동등한 표준 CLP 형태로 바꾸고, 이를 기반으로 Prolog 기반 구현체를 구축하였다. 구현 예시와 실험을 통해 자격값과 근접 관계가 중요한 유연한 정보 검색 문제에 효과적으로 적용될 수 있음을 보인다.

상세 분석

SQCLP는 기존의 불확실성 논리 프로그래밍에서 사용되는 확률·가능도와 같은 자격값을 일반화하고, 유사도 관계를 근접 관계라는 보다 포괄적인 형태로 확장한다. 이 두 요소를 동시에 다루기 위해서는 기존 CLP의 제약 해결 메커니즘과 호환되는 형태로 프로그램을 재구성해야 하는데, 논문은 이를 ‘변환 기반’ 접근법으로 해결한다. 구체적으로, SQCLP 프로그램의 각 절은 (1) 자격값을 표현하는 추가 인자를 도입하고, (2) 근접 관계를 제약식으로 전환하는 두 단계로 변환된다. 변환 과정에서 자격값 연산(예: 곱셈, 최소값)과 근접 관계의 삼각 부등식이 CLP의 도메인 제약으로 매핑되며, 이는 기존 CLP 시스템이 제공하는 효율적인 해법 탐색을 그대로 활용할 수 있게 만든다.

또한 논문은 변환의 정당성을 형식적으로 증명한다. 즉, 원본 SQCLP 프로그램과 변환된 CLP 프로그램 사이에 의미적 동치성(semantically equivalent)이 존재함을 보이며, 목표(goal)에 대한 해답도 동일한 자격값과 근접도 정보를 보존한다. 이 정리는 변환이 단순한 구문 변환이 아니라, 논리적 의미와 불확실성 메타데이터를 보존하는 ‘의미 보존 변환’임을 의미한다.

구현 측면에서는 SICStus Prolog와 SWI‑Prolog을 활용해 프로토타입을 구축했으며, 특히 자격값을 실수 구간, 근접 관계를 거리 함수 형태로 구현하였다. 실험에서는 텍스트 검색, 이미지 라벨링 등에서 근접 관계를 이용한 유연 검색을 수행했는데, 변환 전후의 실행 시간 차이는 미미하고, 자격값에 기반한 결과 순위가 기대한 대로 정렬되는 것을 확인했다. 이러한 결과는 SQCLP가 기존 CLP 인프라 위에 자연스럽게 적층될 수 있음을 입증한다.

마지막으로 논문은 향후 연구 방향으로, 더 복잡한 도메인(예: 다중 기준 최적화)과 동적 근접 관계 학습을 위한 머신러닝 연계, 그리고 대규모 데이터베이스와의 연동을 제시한다. 변환 기반 구현이 이러한 확장성을 제공할 수 있는 기반이 될 것으로 기대된다.