대규모 수학 증명을 위한 전제 선택 코퍼스 분석과 커널 방법

초록

본 논문은 Mizar 형식의 수학 라이브러리에서 최소 의존성 정보를 추출하고, 이를 기반으로 커널 기반 머신러닝 모델을 학습시켜 전제 선택 성능을 크게 향상시킨다. 2078개의 대규모 문제를 포함한 새로운 벤치마크에서 기존 SInE 기반 시스템 대비 약 50%의 성공률 상승을 기록하였다.

상세 분석

이 연구는 두 가지 핵심 기여를 제시한다. 첫 번째는 Mizar 라이브러리의 기존 증명들을 미세하게 분석하여 ‘미니멀 디펜던시’를 자동으로 계산하는 방법이다. 기존의 환경(environ‑ment) 기반 의존성 추정은 과잉 포함되는 경우가 많았으나, 저자들은 각 정리·정의 등을 하나의 마이크로 아티클로 분리하고, 그 환경을 단계적으로 축소하는 그리디 알고리즘을 적용해 실제 검증에 필요한 최소 집합을 도출한다. 이 과정에서 명시적(Explicit) 참조와 암묵적(Implicit) 참조를 모두 고려해, 전통적인 MPTP 고정점 방식보다 평균 2~3배 적은 의존성을 얻었다는 실험 결과가 표 1에 제시된다.

두 번째 기여는 이러한 정밀 의존성 데이터를 활용한 새로운 전제 선택 알고리즘이다. 저자들은 전통적인 특징 기반 로지스틱 회귀나 SVM 대신, 다중 출력 순위 학습을 위한 커널 방법을 설계하였다. 구체적으로, 각 전제와 목표 정리를 고차원 특징 공간에 매핑한 뒤, 라디얼 베이시스 함수(RBF) 커널을 적용해 유사도 행렬을 만든다. 이후 정규화된 랭킹 손실 함수를 최소화하는 구조적 SVM 변형을 사용해, 목표 정리와 가장 관련 있는 전제들을 순위별로 예측한다. 이 커널 기반 모델은 기존의 선형 모델에 비해 정리 간 비선형 관계를 효과적으로 포착하여, 전제 선택 정확도가 평균 12%p 상승하였다.

실험에서는 2078개의 문제를 포함한 MPTP2078 벤치마크를 구축하고, Vampire+SInE와 비교하였다. 최소 의존성 추출만 적용했을 때도 성공률이 30%p 상승했으며, 커널 전제 선택을 결합했을 때 전체 성공률이 50%p 이상 향상되었다. 특히 복잡한 정의와 정리 사이의 깊은 연결성을 가진 문제에서 큰 이득을 보였으며, 이는 대규모 수학 라이브러리에서 자동 증명 시스템이 직면하는 ‘전제 폭발’ 문제를 실질적으로 완화한다는 의미다.

이 논문은 대규모 형식화 수학에서 증명 의존성을 정밀하게 파악하고, 이를 머신러닝에 직접 활용함으로써 자동 증명 효율을 크게 끌어올릴 수 있음을 입증한다. 또한 커널 기반 순위 학습이 전제 선택이라는 특수한 구조화 문제에 효과적임을 보여, 향후 다른 형식화 시스템(예: Isabelle, Coq)에도 적용 가능성을 시사한다.