비단조 논리 추론 최적화

초록

DLN의 비단조 추론을 위해 모듈 추출과 낙관적 증분 알고리즘을 도입해 대규모 지식베이스(30K 이상)에서 실시간 수준의 응답 시간을 달성하였다.

상세 분석

DLN은 정상성 개념(NC)과 우선순위가 부여된 결함 포함(Defeasible Inclusion, DI)을 통해 “기본적으로 C는 D를 만족한다”는 기본 규칙을 표현한다. 기존 비단조 논리와 달리 DLN은 (i) 높은 우선순위와의 불일치만을 오버라이드 기준으로 삼아 가장 단순한 오버라이드 메커니즘을 제공하고, (ii) 모든 정상 인스턴스가 동일한 기본 속성 집합을 공유하도록 설계돼 프로토타입 기반 추론을 가능하게 한다. 이러한 설계는 상속 차단(inheritance blocking)이나 폐쇄 세계 가정(CWA) 같은 부작용을 방지하고, 역할 범위에 대한 미세 제어와 일관성 검사를 통한 프로토타입 충돌 탐지를 지원한다. 특히 DLN은 EL++·DL‑Lite와 같은 저복잡도 서브언어 위에서도 트랙터블함을 유지한다는 점이 큰 장점이다.

논문은 두 가지 최적화 기법을 제안한다. 첫 번째는 모듈 추출기(module extractor)를 활용해 질의와 직접 관련 없는 공리들을 사전에 제외함으로써 KBΣ_all의 크기를 크게 줄이는 방법이다. 비단조 논리에서는 일반적인 모듈 추출이 정당성을 확보하기 어려운데, 저자들은 DLN의 특수한 우선순위 구조와 정상성 개념을 이용해 정확성을 보장하는 증명을 제시한다. 두 번째는 낙관적 증분(reasoning) 알고리즘으로, 기존 DLN 추론이 매 단계마다 전체 KB에 대해 일관성 검사를 수행하는 비효율성을 개선한다. 새로운 공리를 삽입할 때는 비용이 거의 없지만, 삭제 시 비용이 크게 발생한다는 점에 착안해, 가능한 한 삭제 횟수를 최소화하도록 설계된 “낙관적” 전략을 도입하였다. 이 전략은 높은 우선순위 DI가 이미 충족된 경우 낮은 우선순위 DI를 무시하고 바로 다음 단계로 진행함으로써 불필요한 일관성 검사를 회피한다.

실험은 30 K 이상 공리를 포함하는 실제 의료 및 정책 도메인 KB에 대해 수행되었으며, 두 최적화 기법을 각각 적용했을 때 평균 응답 시간이 10배 이상 단축되는 것을 확인했다. 특히 모듈 추출과 낙관적 증분을 결합했을 때는 실시간(수백 밀리초 이하) 수준의 응답을 얻어, 비단조 KB에 대한 실시간 서비스 제공이 가능함을 입증했다. 이러한 결과는 비단조 DL이 기존의 단조 DL과 동등한 규모의 데이터에 대해 실용적으로 활용될 수 있음을 보여준다.