기술 요약: FastLAS 비공식 튜토리얼

문제 정의

귀납 논리 프로그래밍(Inductive Logic Programming, ILP)은 예시와 배경 지식으로부터 논리 프로그램(가설)을 학습하는 것을 목표로 한다. ILASP와 같은 시스템들은 답변 집합으로부터의 학습(Learning from Answer Sets, LAS)을 위한 일반적인 프레임워크를 제공하지만, 수만 개의 예시에 직면했을 때 확장성 문제로 어려움을 겪는 경우가 많다. FastLAS가 다루는 구체적인 문제는 사용자가 고정된 목적 함수에 의존하는 대신, 학습된 가설에 대해 커스텀 스코어링 함수를 정의할 수 있도록 하면서도 대규모 데이터셋을 처리할 수 있는 확장 가능한 ILP 시스템에 대한 필요성이다.

본 문서는 이론적인 ILP 역량과 실질적이고 대규모인 응용 사례 사이의 간극을 메우기 위해 설계된 시스템인 FastLAS 2.2.0에 대한 비공식적이고 실용적인 가이드 역할을 한다. 이 문서는 사용자들이 일반적인 ILP 이론이나 더 일반적이지만 속도가 느린 ILASP 시스템에서 FastLAS의 특정 구문, 제약 조건 및 알고리즘 선택으로 전환할 때 겪는 어려움을 해결한다.

방법론

본 가이드는 구조화되고 예시 중심적인 접근 방식을 통해 FastLAS의 방법론을 네 가지 핵심 구성 요소로 나누어 설명한다:

1. 배경 지식 ($B$): FastLAS와 호환되는 ASP(Answer Set Programming)의 하위 집합으로 작성된다. 여기에는 고정되어 있으며 학습되지 않는 사실(facts)과 규칙들이 포함된다. 시스템은 표준 ASP 구성 요소(사실, 규칙, 무결성 제약, 경계가 있는 선택 규칙)를 지원하지만, 조건부 리터럴(conditional literals)이나 배경 프로그램 내의 약한 제약(weak constraints)과 같은 Clingo 특유의 확장 기능은 거부한다.
2. 언어 편향 (Language Bias, $M$): 모드 선언(#modeh, #modeb)을 통해 정의된다. 이러한 선언은 학습될 규칙에 허용되는 어휘(술어, 타입, 변수)를 지정한다. FastLAS는 타입이 지정된 변수(var(t), const(t))를 사용하며, 데이터로부터 직접 비교 경계를 합성하는 수치 임계값(num_var(t)) 학습을 위한 특정 메커니즘을 사용한다.
3. 예시 (Examples, $E$): **문맥 의존적 부분 해석(Context-Dependent Partial Interpretations, CDPIs)**으로 표현된다. 각 예시는 ID, 포함되어야 하는 원자(atoms)의 집합, 포함되지 않아야 하는 원자의 집합, 그리고 문맥(해당 시나리오에 특화된 작은 ASP 프로그램)으로 구성된다. 이러한 구조를 통해 시스템은 수천 개의 서로 다른 시나리오가 서로 간섭하지 않고도 이를 처리할 수 있다.
4. 스코어링 편향 (Scoring Bias): FastLAS의 독특한 특징은 #bias 지시어이다. 고정된 목적(가설 길이 최소화)을 가진 ILASP와 달리, FastLAS는 사용자가 커스텀 스코어링 함수를 정의할 수 있게 한다. 이 함수는 구조(예: 리터럴 수, 특정 술어)에 따라 후보 규칙에 비용을 할당하며, 규칙 비용과 커버되지 않은 노이즈 예시에 대한 페널티를 합산한 총 점수를 최소화할 수 있게 한다.

알고리즘

명령줄 플래그를 통해 선택할 수 있는 두 가지 학습 알고리즘을 상세히 설명한다:

• --opl (Observational Predicate Learning): 원래의 더 빠른 알고리즘이다. 타겟 술어가 예시에서 직접 관찰되며, 배경 지식이 각 문맥당 하나의 답변 집합을 생성한다고 가정한다.
• --noli (Non-Observational Predicate Learning): 더 일반적이지만 느린 알고리즘으로, 타겟 술어가 직접 관찰되지 않거나(가추법/abduction 필요) 배경 지식이 여러 답변 집합을 허용하는 경우를 처리한다.

주요 기여

본 문서는 새로운 이론적 알고리즘을 제시하기보다는 FastLAS 2.2.0을 활용하기 위한 포괄적이고 실용적인 프레임워크를 제공한다. 주요 기여는 다음과 같다:

• 구문 및 의미론 가이드: .las 파일 형식에 대한 확정적인 참조를 제공하며, FastLAS가 수용하는 특정 ASP 방언과 모드 선언, 예시 및 스코어링의 정확한 의미론을 명확히 한다.
• 확장성 기술: 효율적인 모드 편향을 작성하는 방법에 대한 실질적인 조언을 제공하며, 특히 #maxv(최대 고유 변수 수)의 최소화와 조합 폭발을 방지하기 위한 본문 모드(body modes)의 신중한 선택을 강조한다.
• 제한 사항 처리: 재귀적 학습 과제를 "검증기(verifiers)"(재귀적 정의가 아닌 제약 조건을 학습하는 것)로 재구성하거나, 사전 계산된 재귀적 특징을 위해 배경 지식을 사용하는 방법 등 FastLAS의 제약 조건 내에서 작업하는 전략을 제시한다.
• 점진적 학습 (Incremental Learning): 데이터 스트림으로부터 점진적으로 학습할 수 있게 하는 캐시 메커니즘(--write-cache, --read-cache)을 설명하며, 이를 통해 새로운 데이터 윈도우를 처리한 결과가 전체 데이터셋을 한 번에 처리한 결과와 동일함을 보장한다.
• 포팅 치트 시트 (Porting Cheat-Sheet): 부정(negation), 상수(constants), 예시 문맥(example contexts)의 처리 방식 및 프루닝 제약(ILASP)에서 스코어링 함수(FastLAS)로의 근본적인 변화를 강조하며 FastLAS와 ILASP 간의 상세한 비교를 제공한다.

결과 및 응용

본 가이드는 일련의 작업 예시와 사례 연구를 통해 시스템을 검증하며, 다음을 통해 FastLAS의 능력을 입증한다:

• 복잡한 규칙 학습: 명제 논리, 타입 변수, 수치 임계값(예: 관찰된 데이터를 기반으로 자동차의 속도 제한 학습)에 대한 규칙을 성공적으로 도출한다.
• 노이즈 처리: 가중치가 부여된 예시를 활용하여 라벨링 오류가 있는 데이터를 허용하며, 지나치게 복잡한 규칙을 배우기보다 낮은 가중치의 예시를 포기하는 선택을 한다.
• 실제 데이터로의 확장: 가이드는 두 가지 발표된 응용 사례를 참조하여 FastLAS의 성능을 보여준다:
  1. 이벤트 인식 (CAVIAR): 수만 개의 예시가 포함된 저수준 비디오 트래킹 데이터로부터 고수준 이벤트(예: "회의")의 정의를 학습한다.
  2. 액세스 제어 정책 학습: 허용되거나 거부된 요청의 로그로부터 보안 정책을 학습하며, 여기서 스코어링 함수는 단순히 규칙 길이를 줄이는 것이 아니라 "최소 권한" 또는 "커버리지"와 같은 기준을 우선하도록 조정될 수 있다.

의의

본 문서는 FastLAS를 확장 가능한 커스텀 스코어링 ILP를 위한 특화된 도구로 포지셔닝한다. 그 의의는 ILASP와 같은 더 일반적인 ILP 시스템에서는 다루기 힘든 대규모 데이터셋(수만 개의 예시)을 처리할 수 있다는 점에 있다. 고정된 길이 메트릭에서 학습 목적을 분리하고 #bias를 통해 커스텀 스코어링 함수를 정의할 수 있게 함으로써, FastLAS는 도메인 특화 최적화(예: 보안 정책에서 간결함보다 커버리지를 선호함)를 가능하게 한다.

가이드는 FastLAS가 속도와 확장성을 위해 일부 일반성(예: 재귀적 규칙이나 선호도를 직접 학습하지 않음)을 희생하지만, 비재귀적 정규 규칙과 제약을 학습하는 데 있어 여전히 강력한 도구임을 강조한다. 이는 사용자가 시스템의 특정 제약 조건을 탐색하고 대규모 귀납적 추론 작업을 위해 고유한 기능을 활용할 수 있도록 돕는 실무 매뉴얼 역할을 한다.