증명 코퍼스에서 상태 기반 모델 자동 추출

초록

본 논문은 인터랙티브 정리 증명에서 성공적인 증명 사례들을 입력으로 받아 확장 유한 상태 머신(EFSM) 형태의 모델을 자동으로 학습하는 기법을 제안한다. 추출된 EFSM은 증명 단계와 파라미터 값을 동시에 포착하여 새로운 정리의 증명 탐색을 지원한다. 실험 결과, 모델은 높은 정확도를 보이며 증명 과정의 가이드라인 제공에 유용함을 확인하였다.

상세 분석

이 연구는 인터랙티브 정리 증명(ITP) 환경에서 인간 전문가가 수행하는 복잡한 증명 단계와 파라미터 선택 과정을 데이터 기반으로 자동화하려는 시도이다. 기존 연구들은 증명 전술의 빈도나 패턴을 통계적으로 분석하거나, 전술 간 전이 관계만을 정규 표현식 형태로 모델링하는 데 그쳤다. 그러나 Coq·Isabelle과 같은 고차 논리 시스템에서는 전술 자체뿐 아니라 전술에 전달되는 구체적인 파라미터(예: 레마 이름, 변수 바인딩)가 증명의 성공에 결정적인 역할을 한다. 이를 해결하기 위해 저자들은 확장 유한 상태 머신(EFSM)을 선택하였다. EFSM은 전통적인 FSM에 데이터 변수와 가드(guard)를 추가함으로써, 전술 라벨(l)과 파라미터 집합(v) 사이의 조건부 전이를 표현한다.

논문은 먼저 증명 스크립트를 트레이스 형태로 변환한다. 각 전술은 라벨(l)로, 해당 파라미터는 변수값(v)으로 매핑되며, 파라미터가 없을 경우 ‘0’이라는 특수값을 부여한다. 또한 세미콜론으로 연결된 전술 조합은 순차적 전이로 인코딩되어, 전술이 동시에 여러 서브골에 적용되는 상황을 모델링한다. 이렇게 생성된 트레이스 집합을 입력으로 EFSMInfer 도구를 활용한다. EFSMInfer는 두 단계로 모델을 구축한다. 첫 단계에서는 각 라벨에 대해 결정 트리(J48)와 같은 머신러닝 분류기를 학습시켜, 현재 라벨과 파라미터 조합이 다음 라벨을 예측하도록 한다. 이 과정에서 얻어진 가드 집합(Δ)은 전이 조건으로 사용된다. 두 번째 단계에서는 전통적인 블루-프링거 상태 병합 알고리즘을 데이터 가드와 결합해, 트레이스 프리픽스 트리를 점진적으로 압축한다. 병합 과정에서 가드 일관성을 검증함으로써, 파라미터 제약을 위반하는 전이는 허용되지 않는다. 최종적으로 얻어진 EFSM은 결정적이며, 각 상태는 증명 진행 상황을, 각 전이는 전술 선택과 필요한 파라미터 조건을 동시에 기술한다.

실험에서는 Coq 라이브러리인 ListNat을 대상으로 수백 개의 증명 트레이스를 수집하고, 위 과정을 통해 EFSM을 생성하였다. 모델의 정확도는 기존 증명 트레이스에 포함되지 않은 새로운 증명 시나리오에서도 높은 재현성을 보였으며, false‑positive 전이 비율이 낮았다. 또한, 사용자가 새로운 정리를 증명하려 할 때, EFSM이 제시하는 전술·파라미터 후보를 따라가면 증명 길이가 평균 20% 이상 단축되는 효과가 관찰되었다. 이러한 결과는 EFSM이 증명 전략을 형식화하고, 인간 전문가의 직관을 보조하는 도구로서 실용적임을 시사한다.

본 연구의 주요 기여는 (1) 증명 전술과 파라미터를 동시에 모델링하는 EFSM 기반 자동 추출 방법, (2) 기존 증명 코퍼스를 압축해 직관적인 그래픽 모델로 변환함으로써 증명 가이드라인을 제공하는 프레임워크, (3) 실제 ITP 환경에서 모델의 정확도와 활용 가능성을 실증적으로 입증한 점이다. 향후 연구에서는 가드 학습에 더 정교한 시계열 모델을 적용하거나, 다른 ITP(예: Isabelle, Lean)와의 호환성을 확대하는 방향으로 확장할 수 있다.