aspmc: 대수적 답안 집합 계산의 새로운 경계

지난 10년 동안, 가중치나 확률과 같은 정량적 정보를 수용하는 답안 집합 프로그래밍(ASP)의 확장에 대한 관심이 증가하고 있습니다. ASP 및 논리 프로그래밍을 위한 다양한 정량적 추론 작업, 그중에서 확률적 추론과 신경-기호적 설정에서의 매개변수 학습은 알제브라적 답안 집합 계산(AASC) 작업으로 표현될 수 있으며, 즉, 일부 세미링 위에서 계산된 가중치로 ASP를 위한 가중 모델 계산을 의미합니다. 이는 AASC를 효율적으로 해결하기 위한 솔버를 필요로 합니다. 이 기사에서는 효율적 해결 가능성의 한계를 뛰어넘는 AASC를 위한 새로운 솔버인 을 제안합니다. 특히, 는 우리의 작업에서 철저한 이론적 조사에서 얻은 세 가지 통찰력을 활용하여 확률적 추론의 최신 기술에 비해 개선된 성능을 제공합니다. 즉, 우리는 AASC 파이프라인에서 지식 컴파일 단계, 즉 답안 집합 프로그램에 의해 지정된 기본 논리 이론이 다항 시간 내에 AASC가 가능하도록 실용적인 회로 표현으로 변환되는 단계를 고려합니다. 첫째, 우리는 프로그램에 대한 지식 컴파일의 다양한 접근 방식을 상세히 비교하여, 제안 공식으로의 변환 후 sd-DNNF로의 컴파일이 유리한 것으로 나타났습니다. 둘째, 우리는 효율적인 컴파일을 유도할 수 있도록 제안 공식으로의 변환이 어떻게 진행되어야 하는지를 연구합니다. 이는 프로그램 내의 양의 순환 의존성을 끊는 새로운 방법인 TP-Unfolding과 양의 순환 의존성이 없는 프로그램을 제안 공식으로 변환하는 데 사용되는 클락 완성 절차의 개선으로 이어집니다. 두 개선 사항 모두 효율적인 지식 컴파일을 위해 맞춤 제작되었습니다. 우리의 실증 평가에 따르면, 세 가지 발전 모두 의 성공에 기여하지만, TP-Unfolding은 순환 인스턴스를 보다 잘 처리할 수 있도록 하여 성능을 유의미하게 향상시킵니다.