WO2024201743A1 - 情報処理装置、情報処理方法、記憶媒体 - Google Patents

情報処理装置、情報処理方法、記憶媒体 Download PDF

Info

Publication number
WO2024201743A1
WO2024201743A1 PCT/JP2023/012632 JP2023012632W WO2024201743A1 WO 2024201743 A1 WO2024201743 A1 WO 2024201743A1 JP 2023012632 W JP2023012632 W JP 2023012632W WO 2024201743 A1 WO2024201743 A1 WO 2024201743A1
Authority
WO
WIPO (PCT)
Prior art keywords
logical
information processing
upper bound
logical constraints
processing method
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/JP2023/012632
Other languages
English (en)
French (fr)
Inventor
風人 山本
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NEC Corp
Original Assignee
NEC Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by NEC Corp filed Critical NEC Corp
Priority to PCT/JP2023/012632 priority Critical patent/WO2024201743A1/ja
Priority to JP2025509362A priority patent/JPWO2024201743A1/ja
Publication of WO2024201743A1 publication Critical patent/WO2024201743A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Definitions

  • This disclosure relates to an information processing device, an information processing method, and a storage medium.
  • Abduction is a reasoning method that takes an observation formula and background knowledge, and outputs the best hypothesis (a solution hypothesis) among the formulas (hypotheses) that are consistent with the background knowledge and that deductively derive the observation formula, based on a function (evaluation function) that expresses the merits of each candidate as a real value.
  • Non-Patent Document 1 which enumerates best hypothesis candidates (candidate hypotheses) from an observation logical formula and background knowledge, converts the problem of searching for the best hypothesis from those candidates into an equivalent constrained combinatorial optimization problem such as an integer linear programming problem, and obtains the best hypothesis using an external solver.
  • the constraints (logical constraints) that each candidate hypothesis must satisfy to ensure consistency with the background knowledge are enumerated at the same time as the candidate hypotheses are enumerated, and when an external solver is used to search for an optimal solution, these are expressed as constraints in the target constrained combinatorial optimization problem, ensuring that the optimal solution obtained is consistent.
  • Non-Patent Document 2 Another existing method for handling logical constraints in abductive reasoning is a method shown in Non-Patent Document 2, which does not enumerate logical constraints when enumerating candidate hypotheses, but instead obtains a provisional solution using an external solver and then judges whether the solution is inconsistent with the logical constraints.
  • the logical constraints related to the transitive laws that hold between equivalence relations among the logical constraints are the target, and the logical constraints are not enumerated when enumerating candidate hypotheses, but rather an external solver is used to obtain a provisional solution, and the equivalence relations that hold in the solution are judged for consistency with the logical constraints related to the transitive laws, and if it is confirmed that the solution is inconsistent, the solution is output as the optimal solution.
  • the logical constraint is added as a constraint in the constrained combinatorial problem being solved by the external solver, and a provisional solution is obtained again by the external solver.
  • This type of inference method is called Cutting Plane Inference.
  • Cutting Plane Inference only targets specific types of logical constraints that have been determined in advance. Therefore, there is a problem in that calculation speed drops significantly in cases where a large number of types of logical constraints that are not the target of Cutting Plane Inference are listed. On the other hand, it is possible to target all logical constraints to Cutting Plane Inference, but in that case, it is necessary to run an external solver multiple times to obtain a provisional solution until a consistent solution is obtained, which is also inefficient.
  • the objective of this disclosure is to provide an information processing device that can solve the problem described above, that is, the decrease in computational efficiency in abductive reasoning.
  • An information processing device includes: a generation unit for generating candidate hypotheses based on the observation formula and background knowledge; a determination unit that calculates an upper bound on the number of logical constraints that the candidate hypothesis should satisfy based on an observation logical formula and background knowledge, and determines a processing method for the logical constraints when performing abductive reasoning in accordance with the calculated upper bound; an inference unit that processes the logical constraints in the determined processing method to perform a hypothetical inference on the candidate hypotheses; Equipped with The structure is as follows.
  • an information processing method includes: generating candidate hypotheses based on the observation formula and the background knowledge; calculating an upper bound on the number of logical constraints that the candidate hypothesis should satisfy based on the observation logical formula and background knowledge, and determining a method for processing the logical constraints when performing abductive reasoning in accordance with the calculated upper bound; processing the logical constraints in the determined processing manner to perform abductive inference on the candidate hypotheses;
  • the structure is as follows.
  • a program includes: generating candidate hypotheses based on the observation formula and the background knowledge; calculating an upper bound on the number of logical constraints that the candidate hypothesis should satisfy based on the observation logical formula and background knowledge, and determining a method for processing the logical constraints when performing abductive reasoning in accordance with the calculated upper bound; processing the logical constraints in the determined processing manner to perform abductive inference on the candidate hypotheses; Have a computer carry out the process,
  • the structure is as follows.
  • this disclosure can improve the computational efficiency in abductive reasoning.
  • FIG. 2 is a block diagram showing a configuration of the information processing device disclosed in FIG. 1 .
  • FIG. 2 is a diagram showing a process performed by the information processing device disclosed in FIG. 1 .
  • FIG. 2 is a diagram showing a process performed by the information processing device disclosed in FIG. 1 .
  • FIG. 2 is a diagram showing a process performed by the information processing device disclosed in FIG. 1 .
  • FIG. 11 is a block diagram showing a hardware configuration of an information processing device according to a second embodiment of the present disclosure.
  • FIG. 11 is a block diagram showing a configuration of an information processing device according to a second embodiment of the present disclosure.
  • Fig. 1 is a diagram for explaining the configuration of an information processing device
  • Fig. 2 to Fig. 4 are diagrams for explaining the processing operation of the information processing device.
  • the information processing device in this embodiment has a function of performing hypothetical inference to derive the best solution that is consistent with background knowledge from candidate hypotheses based on observation logical formulas.
  • the information processing device in this embodiment can be applied to applications such as explanation generation and situation understanding using background knowledge and observation information. More specifically, the information processing device can be applied to medical systems, automatic systems that perform legal consultations, risk detection, and the like.
  • the information processing device is composed of one or more information processing devices each having a calculation device and a storage device. As shown in FIG. 1, the information processing device is composed of a candidate hypothesis generation unit 1, a constraint processing method determination unit 2, a constraint enumeration unit 3, a candidate hypothesis conversion unit 4, an optimal solution search unit 5, and a consistency determination unit 6. Each function of the candidate hypothesis generation unit 1, the constraint processing method determination unit 2, the constraint enumeration unit 3, the candidate hypothesis conversion unit 4, the optimal solution search unit 5, and the consistency determination unit 6 can be realized by the calculation device executing a program for realizing each function stored in the storage device.
  • the information processing device is also configured by storing an observation logical formula D1, background knowledge D2, a candidate hypothesis set D3, a logical constraint set D4, and a solution hypothesis D5 in the storage device. Each component will be described in detail below.
  • the candidate hypothesis generation unit 1 receives an observation formula D1 and background knowledge D2 as inputs, and outputs a candidate hypothesis set D3.
  • the observation formula D1 is a conjunction of first-order predicate logic literals that express observation information.
  • a first-order predicate logic literal is either an atomic formula in first-order predicate logic or its negation.
  • the background knowledge D2 is a set of inference rules. Inference rules are generally expressed as Horn clauses in first-order predicate logic. More specifically, a candidate hypothesis consisting only of an observation formula is used as an initial element, and an operation of generating a new candidate hypothesis by applying an inference rule to the candidate hypothesis is repeated until no new operation can be performed.
  • the operation used at this time is basically that in the existing method, but other methods can also be used.
  • the candidate hypothesis set D3 is a set of candidate hypotheses output by the candidate hypothesis generation unit 1. Each candidate hypothesis is expressed as a conjunction of first-order predicate logic literals.
  • the constraint processing method determination unit 2 determines the processing method for the logical constraints to be satisfied in each of the candidate hypotheses included in the candidate hypothesis set D3.
  • the processing method for the logical constraints a first processing method in which logical constraints are listed in advance together with the hypothesis candidates as described in the above-mentioned non-patent document 1, and a second processing method in which the consistency of the logical constraints of the candidate hypotheses is judged after the fact as described in the non-patent document 2, are set.
  • the constraint processing method determination unit 2 calculates an upper bound on the number of logical constraints to be satisfied by the candidate hypotheses based on the observation logical formula and background knowledge, and determines whether to process the logical constraints when performing hypothetical inference by one of the above processing methods according to the calculated upper bound. At this time, the constraint processing method determination unit 2 determines the first processing method when the upper bound on the number of logical constraints calculated for the logical constraints is less than the set threshold, and determines the second processing method when the upper bound on the number of logical constraints calculated for the logical constraints is equal to or greater than the set threshold.
  • the constraint processing method determination unit 2 determines that the number of logical constraints is small based on a preset criterion, it decides to adopt a first processing method that pre-enumerates logical constraints, and when the number of logical constraints is determined to be large based on a preset criterion, it decides to adopt a second processing method that does not pre-enumerate logical constraints but instead makes a post-determination.
  • the constraint processing method determination unit 2 calculates the upper bound of the number of logical constraints, for example, as follows. First, the constraint processing method determination unit 2 focuses on each first-order predicate logic literal included in the observation logical formula, and calculates an upper bound of the number of sets of logical constraints related to the first-order predicate logic literal of interest. At this time, the constraint processing method determination unit 2 calculates the upper bound based on background knowledge including the first-order predicate logic literal of interest and the first-order predicate logic literal in the observation logical formula.
  • the constraint processing method determination unit 2 identifies background knowledge including the first-order predicate logic literal of interest, and calculates the upper bound based on the number of combinations of first-order predicate logic literals in the observation logical formula that correspond to the first-order predicate logic literal included in the identified background knowledge. Note that the method of calculating the upper bound of the number of logical constraints by the constraint processing method determination unit 2 will be described in detail later.
  • the constraint enumeration unit 3 (inference unit) enumerates the logical constraints that must be satisfied by each candidate hypothesis included in the candidate hypothesis set D3. That is, the constraint enumeration unit 3 enumerates the logical constraints when the constraint processing method determination unit 2 described above has decided to process the logical constraints using the first processing method.
  • the constraint enumeration unit 3 then stores the enumerated logical constraints in a logical constraint set D4.
  • the logical constraint set D4 is a set of logical constraints that must be satisfied by each candidate hypothesis. Each logical constraint is generally expressed as a conjunction of combinations that must not be satisfied among the first-order predicate logic literals that make up the candidate hypotheses.
  • the candidate hypothesis conversion unit 4 receives the candidate hypothesis set D3 and the constraint set D4 as input, and outputs a constrained combinatorial optimization problem equivalent to a procedure for selecting the best candidate hypothesis that satisfies all constraints from the candidate hypothesis set.
  • the conversion procedure used here basically uses the existing method described above, but other methods can also be used.
  • the optimal solution search unit 5 receives as input the constrained combinatorial optimization problem generated by the candidate hypothesis conversion unit 4, and searches for the optimal solution to it using an external solver.
  • This solution is the optimal solution to the constrained combinatorial optimization problem, but since it does not take into account all logical constraints, the candidate hypothesis selected by this solution is treated as a provisional solution hypothesis for abductive reasoning.
  • the consistency determination unit 6 determines whether the provisional solution obtained by the optimal solution search unit 5 satisfies the logical constraints determined to be the second processing method described above in the constraint processing method determination unit 2, i.e., the logical constraints that are the subject of Cutting Plane Inference. If the provisional solution satisfies all of these logical constraints, this solution is output as a solution hypothesis D5. On the other hand, if there is an unsatisfied logical constraint, that logical constraint is added to the logical constraint set D4, and the process is looped back to the optimal solution search unit 5.
  • the best hypothesis D5 is the candidate hypothesis included in the candidate hypothesis set D3 that satisfies all the logical constraints that need to be satisfied and is the best based on the evaluation function.
  • the candidate hypothesis generation unit 1 generates a new candidate hypothesis by selecting and applying one applicable operation to an initial state candidate hypothesis consisting of only an observation logical formula.
  • the operations that can be performed here are backward chaining and unification.
  • Backward chaining is an operation that applies a rule contained in background knowledge to an existing candidate hypothesis backwards, and generates a new candidate hypothesis by matching the consequent of the rule (right side, conclusion) with a literal in the candidate hypothesis and adding a literal corresponding to the antecedent (left side, premise).
  • Unification is a method that targets a pair of literals with the same predicate in an existing candidate hypothesis, and generates a new candidate hypothesis by adding an equivalence relationship between arguments so that the literals are identical.
  • the candidate hypotheses generated by the candidate hypothesis generation unit 1 are stored in the candidate hypothesis set D3. An example of generating candidate hypotheses will be described later with reference to Figures 2 and 3 in the explanation of a specific example.
  • the constraint processing method determination unit 2 determines the processing method for the logical constraints to be satisfied in each of the candidate hypotheses included in the candidate hypothesis set D3. More specifically, this process determines whether the logical constraints should be enumerated by the constraint enumeration unit 3, or whether the logical constraints should not be enumerated and should be judged by the consistency judgment unit 6 as the subject of Cutting Plane Inference. Any method may be used as the criterion for this judgment, but basically the upper bound of the number of logical constraints that can be enumerated is evaluated and the decision is made based on whether or not this value exceeds some threshold value. An example of the evaluation of the upper bound of logical constraints will be explained later in the explanation of a specific example with reference to Figures 2 and 3.
  • the constraint enumeration unit 3 enumerates the logical constraints that should be satisfied for each candidate hypothesis. This process is basically the same as the existing method described above, and is realized by searching for combinations of literals that contradict each rule contained in the background knowledge and each literal contained in the candidate hypothesis.
  • the enumerated logical constraints are stored in a logical constraint set D4.
  • the candidate hypothesis conversion unit 4 outputs the corresponding constrained combinatorial optimization problem from the candidate hypothesis set D3 and the logical constraint set D4.
  • the constrained combinatorial optimization problem that is output is expressed as an integer linear programming problem, but it may also be expressed as something else, such as a weighted satisfiability maximization problem.
  • the variables in the combinatorial optimization problem correspond to the presence or absence of a literal in the candidate hypothesis, and the constraints in the combinatorial optimization problem are used to represent the logical constraints in the candidate hypothesis, prerequisites arising from the evaluation function, and the like.
  • the objective function in the combinatorial optimization problem is designed to be equivalent to the evaluation function in abductive reasoning.
  • the optimal solution search unit 5 searches for and outputs a tentative solution hypothesis from the candidate hypothesis set D3. This process is realized by using an external solver according to the type of problem output by the candidate hypothesis conversion unit 4. According to the method based on Non-Patent Document 1, an optimal solution is obtained using a solver for an integer linear programming problem, and the candidate hypothesis corresponding to the optimal solution is used as a tentative solution hypothesis.
  • the consistency determination unit 6 determines whether the tentative solution obtained by the optimal solution search unit 5 satisfies the logical constraints that were the subject of Cutting Plane Inference in the constraint processing method determination unit 2. If the tentative solution satisfies all of these logical constraints, this solution is output as the best hypothesis D5. On the other hand, if there is an unsatisfied logical constraint, that logical constraint is added to the logical constraint set D4 and the process is looped back to the optimal solution search unit 5. This loop is repeated until a solution that satisfies all logical constraints is obtained or until all logical constraints have been added to the logical constraint set D4.
  • the candidate hypothesis generation unit 1 generates a set of candidate hypotheses from the observation logical formula and background knowledge. More specifically, starting with a candidate hypothesis consisting only of the observation logical formula as the initial state, a set of candidate hypotheses is constructed by applying backward inference operations and unification operations as shown in Figure 3. In this way, candidate hypotheses such as those shown in Figure 3 are generated.
  • the constraint processing method determination unit 2 determines a processing method for the logical constraints that each candidate hypothesis must satisfy.
  • a processing method is determined for the logical constraints for each group defined by some criteria. For example, if the literals included in the candidate hypotheses are sorted by the order in which they appear, and then "logical constraints that include a specific literal and are composed only of literals that appeared before the appearance of that literal" are listed as one group, the logical constraints for the candidate hypotheses shown in Figure 3 are processed as groups as shown in Figure 4.
  • the constraint processing method determination unit 2 estimates the upper limit of the number of enumerations for each group, and determines how to handle the group of logical constraints based on this value.
  • the constraint enumeration unit 3 enumerates specific combinations of literals for the group of logical constraints that were the subject of pre-enumeration in the constraint processing method determination unit.
  • the logical constraints for the candidate hypotheses shown in FIG. 3 are enumerated as shown in FIG. 4.
  • the candidate hypothesis conversion unit 4 expresses and outputs a procedure for searching for the best hypothesis among the candidate hypotheses that are included in the candidate hypothesis set D3 and do not satisfy the combinations included in the logical constraint set D4 as a constrained combinatorial optimization problem.
  • the procedure for searching for the best hypothesis is expressed as an equivalent integer linear programming problem.
  • the optimal solution search unit 5 receives the constrained combinatorial optimization problem as an input from the candidate hypothesis conversion unit, searches for the best hypothesis, and outputs it. According to the method of Non-Patent Document 1, an integer linear programming problem is received as an input, and the best hypothesis is searched for by solving it using an external integer linear programming problem solver.
  • the consistency determination unit 6 determines whether the best hypothesis obtained by the optimal solution search unit 5 is consistent with the logical constraints that were the subject of Cutting Plane Inference in the constraint processing method determination unit, and if it is consistent, outputs the hypothesis as the solution hypothesis D5. On the other hand, if a contradictory logical constraint is found, the logical constraint is added to the logical constraint set D4, and the process is looped to the optimal solution search unit 5.
  • logical constraint (10) on the literal swallow(b) is verified for consistency by determining whether there is a combination of this literal with other literals included in the best hypothesis that contradicts the inference rules.
  • the combination swallow(b) ⁇ !fly(b) contradicts the inference rules, so this combination is added to logical constraint set D4 as a logical constraint, and the process is looped again to optimal solution search unit 5.
  • the second effect is that inference processing in hypothetical reasoning can be performed more efficiently than existing methods in terms of both memory and computation time. This is because, due to the first effect mentioned above, logical constraints that have a large number of enumerations are subject to Cutting Plane Inference, eliminating the need to explicitly enumerate those logical constraints, which would otherwise consume a large amount of memory and computation time.
  • the third effect is that the entire abductive reasoning procedure can be performed more efficiently than existing methods in terms of both memory and calculation time. This is because the second effect mentioned above reduces the memory and calculation time required to enumerate logical constraints, and the second effect reduces the number of constraints in the constrained combinatorial optimization problem given to the solver, thereby reducing the memory and calculation time in the procedure of searching for an optimal solution by an external solver.
  • Fig. 5 to Fig. 6 are block diagrams showing the configuration of an information processing device in embodiment 2. Note that this embodiment shows an outline of the configuration of the information processing device described in the above embodiment.
  • the information processing device 100 is configured as a general information processing device, and is equipped with the following hardware configuration, as an example.
  • ⁇ CPU Central Processing Unit
  • ROM Read Only Memory
  • RAM Random Access Memory
  • Program group 104 loaded into RAM 103
  • a storage device 105 for storing the program group 104
  • a drive device 106 that reads and writes data from and to a storage medium 110 outside the information processing device.
  • a communication interface 107 that connects to a communication network 111 outside the information processing device
  • Input/output interface 108 for inputting and outputting data
  • a bus 109 that connects each component
  • FIG. 5 shows an example of the hardware configuration of the information processing device 100, and the hardware configuration of the information processing device is not limited to the above-mentioned case.
  • the information processing device may be configured with a part of the above-mentioned configuration, such as not having the drive device 106.
  • the information processing device may use a GPU (Graphic Processing Unit), a DSP (Digital Signal Processor), an MPU (Micro Processing Unit), an FPU (Floating point number Processing Unit), a PPU (Physics Processing Unit), a TPU (Tensor Processing Unit), a quantum processor, a microcontroller, or a combination of these.
  • the information processing device 100 can be equipped with the generation unit 121, the determination unit 122, and the inference unit 123 shown in FIG. 6 by having the CPU 101 acquire and execute the program group 104.
  • the program group 104 is stored in the storage device 105 or the ROM 102 in advance, for example, and the CPU 101 loads the program group 104 into the RAM 103 and executes it as necessary.
  • the program group 104 may be supplied to the CPU 101 via the communication network 111, or may be stored in the storage medium 110 in advance, and the drive device 106 may read out the program and supply it to the CPU 101.
  • the generation unit 121, the determination unit 122, and the inference unit 123 described above may be constructed with dedicated electronic circuits for realizing such means.
  • the generation unit 121 generates candidate hypotheses based on the observation logical formula and background knowledge.
  • the determination unit 122 calculates an upper bound on the number of logical constraints that a candidate hypothesis must satisfy based on the observation logical formula and background knowledge, and determines a processing method for the logical constraints when performing hypothetical inference according to the calculated upper bound. For example, the determination unit 122 determines, according to the calculated upper bound, either one of the first processing method for listing logical constraints in advance, or a second processing method for ex post determining the consistency of the logical constraints of the candidate hypothesis. At this time, the determination unit 122 calculates an upper bound for each predicate included in the observation logical formula based on the background knowledge including the predicate and the observation logical formula.
  • the inference unit 123 processes the logical constraints using the determined processing method and performs hypothetical inference on the candidate hypotheses.
  • Non-transitory computer readable medium includes various types of tangible storage medium.
  • Examples of non-transitory computer readable medium include magnetic recording media (e.g., flexible disks, magnetic tapes, hard disk drives), magneto-optical recording media (e.g., magneto-optical disks), CD-ROM (Read Only Memory), CD-R, CD-R/W, and semiconductor memory (e.g., mask ROM, PROM (Programmable ROM), EPROM (Erasable PROM), flash ROM, RAM (Random Access Memory)).
  • the program may also be supplied to a computer by various types of transitory computer readable medium. Examples of transitory computer readable medium include electrical signals, optical signals, and electromagnetic waves.
  • the temporary computer-readable medium can provide the program to the computer via a wired communication path, such as an electric wire or optical fiber, or via a wireless communication path.
  • the present disclosure has been described above with reference to the above-mentioned embodiments, but the present disclosure is not limited to the above-mentioned embodiments.
  • Various modifications that can be understood by a person skilled in the art can be made to the configuration and details of the present disclosure within the scope of the present disclosure.
  • at least one or more of the functions of the generation unit 121, the determination unit 122, and the inference unit 123 described above may be executed by an information processing device installed and connected anywhere on the network, that is, they may be executed by so-called cloud computing.
  • (Appendix 1) a generation unit for generating candidate hypotheses based on the observation formula and background knowledge; a determination unit that calculates an upper bound on the number of logical constraints that the candidate hypothesis should satisfy based on an observation logical formula and background knowledge, and determines a processing method for the logical constraints when performing hypothetical reasoning in accordance with the calculated upper bound; an inference unit that processes the logical constraints in the determined processing method to perform a hypothetical inference on the candidate hypotheses;
  • An information processing device comprising: (Appendix 2) 2. The information processing device according to claim 1, the determination unit determines, according to the calculated upper bound, one of a first processing method for enumerating the logical constraints in advance and a second processing method for ex post determining whether the candidate hypothesis is consistent with the logical constraints.
  • Information processing device (Appendix 3) 3. The information processing device according to claim 2, the determination unit determines the first processing method when the calculated upper bound value is less than a preset threshold value, and determines the second processing method when the calculated upper bound value is equal to or greater than the threshold value.
  • Information processing device. (Appendix 4) An information processing device according to any one of claims 1 to 3, the determination unit calculates an upper bound on the number of the logical constraints for each set of the logical constraints organized based on a predicate included in the observation logical formula, and determines the processing method for each set of the logical constraints in accordance with the calculated upper bound; the inference unit processes the logical constraints in the set in the processing method determined for each set of logical constraints, and performs a hypothetical inference on the candidate hypothesis.
  • Information processing device (Appendix 5) 5. The information processing device according to claim 1, the determination unit calculates, for each predicate included in the observation logical formula, an upper bound on the number of the logical constraints associated with the predicate, and determines the processing method for the logical constraints in accordance with the calculated upper bound; the inference unit processes the logical constraint related to the predicate in the processing method determined for each predicate, and performs a hypothetical inference on the candidate hypothesis. Information processing device. (Appendix 6) 6. The information processing device according to claim 5, the determination unit calculates, for each predicate included in the observation logical formula, the upper bound based on the background knowledge including the predicate and the observation logical formula. Information processing device. (Appendix 7) 7.
  • the determination unit for each antecedent predicate included in the observation logical formula, identifies the background knowledge including the predicate, and calculates the upper bound based on the number of combinations of the antecedent predicate in the observation logical formula corresponding to the antecedent predicate included in the identified background knowledge.
  • Information processing device for each antecedent predicate included in the observation logical formula, identifies the background knowledge including the predicate, and calculates the upper bound based on the number of combinations of the antecedent predicate in the observation logical formula corresponding to the antecedent predicate included in the identified background knowledge.
  • the information processing method further comprising: calculating an upper bound on the number of the logical constraints for each set of the logical constraints organized based on a predicate included in the observation logical formula, and determining the processing method for each set of the logical constraints in accordance with the calculated upper bound; processing the logical constraints in the set by the processing method determined for each set of logical constraints, thereby performing abductive inference on the candidate hypotheses; Information processing methods.
  • (Appendix 12) generating candidate hypotheses based on the observation formula and the background knowledge; calculating an upper bound on the number of logical constraints that the candidate hypothesis should satisfy based on the observation logical formula and background knowledge, and determining a method for processing the logical constraints when performing abductive reasoning in accordance with the calculated upper bound; processing the logical constraints in the determined processing manner to perform abductive inference on the candidate hypotheses;
  • a computer-readable storage medium that stores a program for causing a computer to execute processing.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本開示の情報処理装置１００は、観測論理式及び背景知識に基づいて候補仮説を生成する生成部１２１と、観測論理式及び背景知識に基づいて候補仮説が充足すべき論理制約の数の上界を算出し、算出した上界に応じて仮説推論を行う際における論理制約の処理方式を決定する決定部１２２と、決定された処理方式にて論理制約を処理して候補仮説に対する仮説推論を行う推論部１２３と、を備える。

Description

情報処理装置、情報処理方法、記憶媒体
　本開示は、情報処理装置、情報処理方法、記憶媒体に関する。
　仮説推論（Abduction, Abductive reasoning）とは、観測論理式（Observation）と背景知識（Background knowledge）を受け取り、個々の候補の良さを実数値で表す関数（評価関数、Evaluation function）の基で、背景知識と無矛盾かつ、観測論理式を演繹的に導くような論理式（仮説、Hypotheses）の中で最良のもの（最良仮説、解仮説、Solution hypothesis）を出力するような推論方式である。
　仮説推論を計算機上で実装するための既存の方式としては、非特許文献１に示すような、観測論理式と背景知識から、最良仮説の候補（候補仮説、Candidate hypotheses）を列挙し、そこから最良仮説を探索する問題を整数線形計画問題などの制約付き組み合わせ最適化問題として等価に変換して、外部のソルバを用いて最良仮説を得る方式が挙げられる。この既存方式においては、各候補仮説が背景知識との無矛盾性を満たすために充足すべき制約（論理制約、Logical Constraints）は、候補仮説を列挙する際に同時に列挙され、外部ソルバを用いて最適解を探索する際には、対象の制約付き組み合わせ最適化問題における制約として表現されることで、得られる最適解が無矛盾であることが担保される。
　仮説推論における論理制約を扱うための別の既存方式としては、非特許文献２に示すような、候補仮説を列挙する時点では論理制約を列挙せずに、外部ソルバを用いて暫定的な解を得た後に、その解が論理制約に矛盾しているかどうかを判定するような方式が挙げられる。この既存方式においては、論理制約のうち等価関係の間に成り立つ推移律に関する論理制約を対象として、候補仮説を列挙する時点では論理制約の列挙を行わずに、外部ソルバを用いて暫定的な解を得た後に、その解において成り立つ等価関係について、推移律に関する論理制約に対する無矛盾性を判定し、無矛盾であることが確かめられた場合はその解を最適解として出力する。一方で、何らかの論理制約に矛盾していた場合は、その論理制約を、外部ソルバが解いている制約付き組み合わせ問題における制約として追加し、再び暫定的な解を外部ソルバによって得る。このような手順を最適解が得られるまで繰り返すことによって、特定の種類の論理制約については明示的に列挙することなく、無矛盾な解仮説を得ることができる。このような推論方式はCutting Plane Inferenceと呼ばれる。
Naoya Inoue and Kentaro Inui, "ILP-based Reasoning for Weighted Abduction", Proceedings of AAAI Workshop on Plan, Activity and Intent Recognition, August 2011, pp. 25-32 Naoya Inoue and Kentaro Inui, "Large-scale cost-based abduction in full-fledged first-order predicate logic with cutting plane inference", Proceedings of the 13th European conference on Logics in Artificial Intelligence, September 2012, pp. 281-293
　ここで、上述した方式では、Cutting Plane Inferenceの対象となるのは、事前に定められた、特定の種別の論理制約のみである。したがって、Cutting Plane Inferenceの対象にしていない種別の論理制約が大量に列挙されてしまうような事例においては計算速度が著しく低下するという問題があった。一方で、全ての論理制約をCutting Plane Inferenceを対象にすることも考えられるが、その場合も、無矛盾な解が得られるまで何度も外部ソルバを実行して暫定的な解を得る必要があり、これもまた非効率である。
　このため、本開示の目的は、上述した課題である、仮説推論において計算効率が低下する、ことを解決することができる情報処理装置を提供することにある。
　本開示の一形態である情報処理装置は、
　観測論理式及び背景知識に基づいて候補仮説を生成する生成部と、
　観測論理式及び背景知識に基づいて前記候補仮説が充足すべき論理制約の数の上界を算出し、算出した前記上界に応じて仮説推論を行う際における前記論理制約の処理方式を決定する決定部と、
　決定された前記処理方式にて前記論理制約を処理して前記候補仮説に対する仮説推論を行う推論部と、
を備えた、
という構成をとる。
　また、本開示の一形態である情報処理方法は、
　観測論理式及び背景知識に基づいて候補仮説を生成し、
　観測論理式及び背景知識に基づいて前記候補仮説が充足すべき論理制約の数の上界を算出し、算出した前記上界に応じて仮説推論を行う際における前記論理制約の処理方式を決定し、
　決定された前記処理方式にて前記論理制約を処理して前記候補仮説に対する仮説推論を行う、
という構成をとる。
　また、本開示の一形態であるプログラムは、
　観測論理式及び背景知識に基づいて候補仮説を生成し、
　観測論理式及び背景知識に基づいて前記候補仮説が充足すべき論理制約の数の上界を算出し、算出した前記上界に応じて仮説推論を行う際における前記論理制約の処理方式を決定し、
　決定された前記処理方式にて前記論理制約を処理して前記候補仮説に対する仮説推論を行う、
処理をコンピュータに実行させる、
という構成をとる。
　本開示は、以上のように構成されることにより、仮説推論において計算効率の向上を図ることができる。
図１に開示した情報処理装置の構成を示すブロック図である。 図１に開示した情報処理装置による処理の様子を示す図である。 図１に開示した情報処理装置による処理の様子を示す図である。 図１に開示した情報処理装置による処理の様子を示す図である。 本開示の実施形態２における情報処理装置のハードウェア構成を示すブロック図である。 本開示の実施形態２における情報処理装置の構成を示すブロック図である。
　＜実施形態１＞
　本開示の第１の実施形態を、図１乃至図４を参照して説明する。図１は、情報処理装置の構成を説明するための図であり、図２乃至図４は、情報処理装置の処理動作を説明するための図である。
　［構成］
　本実施形態における情報処理装置は、観測論理式による候補仮説から、背景知識と無矛盾な最良な解を導く仮説推論を行う機能を有する。これにより、本実施形態における情報処理装置は、例えば、背景知識と観測情報を用いた説明生成や状況理解などの用途に適用できる。より具体的には、医療システムや法律相談、リスク検知などを行う自動システムに適用できる。
　図１は、本実施形態における情報処理装置の構成及び処理の流れを示す図である。情報処理装置は、演算装置と記憶装置とを備えた１台又は複数台の情報処理装置にて構成される。そして、情報処理装置は、図１に示すように、候補仮説生成部１、制約処理方式決定部２、制約列挙部３、候補仮説変換部４、最適解探索部５、無矛盾性判定部６、を備える。候補仮説生成部１、制約処理方式決定部２、制約列挙部３、候補仮説変換部４、最適解探索部５、無矛盾性判定部６の各機能は、演算装置が記憶装置に格納された各機能を実現するためのプログラムを実行することにより実現することができる。また、情報処理装置は、記憶装置に、観測論理式Ｄ１、背景知識Ｄ２、候補仮説集合Ｄ３、論理制約集合Ｄ４、解仮説Ｄ５、を記憶して構成される。以下、各構成について詳述する。
　候補仮説生成部１（生成部）は、観測論理式Ｄ１および背景知識Ｄ２を入力として受け取り、候補仮説集合Ｄ３を出力する。観測論理式Ｄ１は、観測情報を表すような一階述語論理リテラルの連言である。一階述語論理リテラルとは、一階述語論理における原子論理式か、あるいはその否定である。背景知識Ｄ２は、推論ルールの集合である。推論ルールは一般に一階述語論理におけるホーン節で表される。より具体的には、観測論理式のみからなる候補仮説を初期要素として、候補仮説に対して推論ルールを適用することによって新たな候補仮説を生成する操作を、新たな操作が行えなくなるまで繰り返す。この際に用いる操作については、基本的には既存方式におけるものを採用するが、その他の方法を用いることも可能である。候補仮説集合Ｄ３は、候補仮説生成部１によって出力される、候補仮説の集合である。候補仮説はそれぞれ、一階述語論理リテラルの連言として表現される。
　制約処理方式決定部２（決定部）は、候補仮説集合Ｄ３に含まれる候補仮説それぞれにおいて充足すべき論理制約について、その処理方式を決定する。ここで、論理制約の処理方式としては、上述した非特許文献１に記載のような、論理制約を仮説候補と共に事前列挙する第一の処理方式と、非特許文献２に記載のような、候補仮説の論理制約に対する無矛盾性を事後判定する第二の処理方式と、が設定されている。そして、制約処理方式決定部２は、観測論理式及び背景知識に基づいて候補仮説が充足すべき論理制約の数の上界を算出し、算出した上界に応じて、仮説推論を行う際における論理制約を、上記のどちらか一方の処理方式で処理するかを決定する。このとき、制約処理方式決定部２は、論理制約について算出した論理制約の数の上界が設定された閾値未満である場合には第一の処理方式を決定し、論理制約について算出した論理制約の数の上界が設定された閾値以上である場合には第二の処理方式を決定する。つまり、制約処理方式決定部２は、論理制約の数が予め設定された基準により少ないと判断された場合には、論理制約を事前列挙する第一の処理方式を採用することを決定し、論理制約の数が予め設定された基準により多いと判断された場合には、論理制約を事前列挙せずに事後判定する第二の処理方式を採用することを決定する。
　ここで、制約処理方式決定部２は、論理制約の数の上界を、例えば以下のようにして算出する。まず、制約処理方式決定部２は、観測論理式に含まれる一階述語論理リテラルについて１つずつ着目し、着目する一階述語論理リテラルに関連するまとめられた論理制約の集合の数の上界を算出する。このとき、制約処理方式決定部２は、着目する一階述語論理リテラルを含む背景知識と観測論理式内の一階述語論理リテラルとに基づいて上界を算出する。例えば、制約処理方式決定部２は、着目する一階述語論理リテラルを含む背景知識を特定し、特定した背景知識に含まれる一階述語論理リテラルに対応する観測論理式内の一階述語論理リテラルの組み合わせの数に基づいて上界を算出する。なお、制約処理方式決定部２による論理制約の数の上界を算出する方法の詳細については後述する。
　制約列挙部３（推論部）は、候補仮説集合Ｄ３に含まれる候補仮説それぞれについて、その候補仮説が充足すべき論理制約を列挙する。つまり、制約列挙部３は、上述した制約処理方式決定部２により論理制約について第一の処理方式で処理すると決定した場合に、論理制約を列挙する。そして、制約列挙部３は、列挙された論理制約を論理制約集合Ｄ４に格納する。論理制約集合Ｄ４は、各候補仮説が充足すべき論理制約の集合である。各論理制約は一般に、候補仮説を構成する一階述語論理リテラルのうち、充足してはならない組み合わせの連言として表現される。
　候補仮説変換部４（推論部）は、候補仮説集合Ｄ３および制約集合Ｄ４を入力として受け取り、候補仮説集合の中から、全ての制約を満たす最良の候補仮説を選び出すような手続きと等価な、制約付き組み合わせ最適化問題を出力する。この際の変換手順については、基本的には上述したような既存の方式におけるものを用いるが、その他の方法を用いることも可能である。
　最適解探索部５（推論部）は、入力として候補仮説変換部４が生成した制約付き組み合わせ最適化問題を受け取り、外部ソルバを用いてそれに対する最適解を探索する。この解は、制約付き組み合わせ最適化問題に対する最適解ではあるが、全ての論理制約を考慮した解ではないため、この解によって選ばれる候補仮説は、仮説推論にとっては暫定的な解仮説として扱われる。
　無矛盾性判定部６（推論部）は、最適解探索部５によって得られた暫定解について、制約処理方式決定部２において上述した第二の処理方式と決定された論理制約つまりCutting Plane Inferenceの対象となった論理制約を充足しているかどうかを判定する。もし暫定解がこれらの論理制約の全てを充足する場合は、この解を解仮説Ｄ５として出力する。一方で充足されない論理制約が存在する場合は、その論理制約を論理制約集合Ｄ４に追加した上で、再び最適解探索部５へと処理をループさせる。このループは、全ての論理制約を充足する解が得られるか、最終的に全ての論理制約が論理制約集合Ｄ４に追加されるまで繰り返される。なお、最良仮説Ｄ５は、候補仮説集合Ｄ３に含まれる候補仮説のうち、満たすべき論理制約を全て充足し、かつ評価関数の基で最良のものである。
　［動作］
　次に、上述した情報処理装置の動作を、図１を参照して説明する。
　まず、候補仮説生成部１は、例えば非特許文献１に基づく方法によれば、観測論理式のみからなる候補仮説を初期状態として、適用可能な操作を一つ選び適用することによって新たな候補仮説を生成する。ここで行える操作とは、後ろ向き推論（Backward chaining）と単一化（Unification）の二つである。後ろ向き推論とは、既存の候補仮説に対して、背景知識に含まれるルールを後ろ向きに適用する操作であり、ルールの後件（右辺、帰結）と候補仮説中のリテラルとを対応させ、そこに前件（左辺、前提）に対応するリテラルを加えた仮説を、新たな候補仮説として生成する。単一化とは、既存の候補仮説における、同じ述語を持つリテラル対を対象として、それらが同一となるような引数間の等価関係を加えた仮説を、新たな候補仮説として生成する。候補仮説生成部１によって生成された候補仮説は候補仮説集合Ｄ３に格納する。なお、候補仮説の生成例については、後の具体例の説明にて図２及び図３を参照して説明する。
　続いて、制約処理方式決定部２は、候補仮説集合Ｄ３に含まれる候補仮説それぞれにおいて充足すべき論理制約について、その処理方式を決定する。この処理は、より具体的には、その論理制約を制約列挙部３で列挙するか、あるいは、その論理制約を列挙せずにCutting Plane Inferenceの対象として無矛盾性判定部６で判定するか、を決定する。この際の判定基準においては任意の方法を用いてよいが、基本的にはその論理制約を列挙した場合の数の上界を評価し、その値が何らかの閾値を超えているかどうかによって決定する。なお、論理制約の上界の評価例については、後の具体例の説明にて図２及び図３を参照して説明する。
　続いて、制約列挙部３は、各候補仮説について充足すべき論理制約を列挙する。この処理は、基本的には上述した既存の方法と同様に、候補仮説に含まれる各リテラルと、背景知識に含まれる各ルールについて、ルールに矛盾するようなリテラルの組み合わせを探索することによって実現される。列挙した論理制約は論理制約集合Ｄ４に格納する。
　続いて、候補仮説変換部４は、候補仮説集合Ｄ３および論理制約集合Ｄ４から、対応する制約付き組み合わせ最適化問題を出力する。例えば、非特許文献１に基づく方法によれば、出力される制約付き組み合わせ最適化問題は整数線形計画問題として表されるが、それ以外のもの、例えば重み付き充足最大化問題などとして表してもよい。組み合わせ最適化問題における変数は、候補仮説におけるリテラルの有無に対応しており、組み合わせ最適化問題における制約は、候補仮説における論理制約や評価関数に起因した前提条件などを表すために用いられる。また組み合わせ最適化問題における目的関数は、仮説推論における評価関数と等価になるように設計される。
　続いて、最適解探索部５は、候補仮説集合Ｄ３の中から暫定的な解仮説を探索して出力する。この処理は候補仮説変換部４が出力する問題の種別に応じた外部ソルバを用いることで実現される。非特許文献１に基づく方法によれば、整数線形計画問題のソルバを用いて最適解を得て、その最適解に対応する候補仮説を暫定的な解仮説として用いる。
　続いて、無矛盾性判定部６は、最適解探索部５によって得られた暫定解について、制約処理方式決定部２においてCutting Plane Inferenceの対象となった論理制約を充足しているかどうかを判定する。もし暫定解がこれらの論理制約の全てを充足する場合は、この解を最良仮説Ｄ５として出力する。一方で充足されない論理制約が存在する場合は、その論理制約を論理制約集合Ｄ４に追加した上で、再び最適解探索部５へと処理をループさせる。このループは、全ての論理制約を充足する解が得られるか、最終的に全ての論理制約が論理制約集合Ｄ４に追加されるまで繰り返される。
　［具体例］
　次に、具体例を用いて上述した情報処理装置の動作を説明する。ここでは、図２に示すような観測論理式および背景知識に対して仮説推論を行う場合を考える。
　まず、候補仮説生成部１において、観測論理式と背景知識から、候補仮説集合を生成する。より具体的には、観測論理式のみからなる候補仮説を初期状態として、図３に示すように、後ろ向き推論操作および単一化操作を適用していくことで、候補仮説集合を構築していく。このようにして、図３に示すような候補仮説が生成される。
　次に、制約処理方式決定部２において、個々の候補仮説が充足すべき論理制約について、処理方式を決定する。このとき、論理制約は、何らかの基準で定められた纏まりごとに処理方式が決定される。例えば、候補仮説に含まれるリテラルをその出現順によってソートした後、「特定のリテラルを含み、そのリテラルの出現以前に出現したリテラルのみで構成された論理制約」を一つの纏まりとして列挙していく場合、図３が示す候補仮説に対する論理制約は、図４に示すような纏まりで処理される。このとき、制約処理方式決定部２は、個々の纏まりごとにその列挙数の上界を概算し、その値によってそれら論理制約の纏まりをどのように扱うかを決定する。
　ここで、例えば、上界値が8以上のものをCutting Plane Inferenceの対象として扱うこととし、リテラルpenguin(b)に関する論理制約の処理方式を決定する場合を考える。このとき、図２に示す背景知識において、述語penguinを含む推論ルールは、penguin(x)→!fly(x)およびpenguin(x)∧swallow(x)→⊥の二つである。したがって、ここでの論理制約の列挙数の上界は、これらの推論ルールのそれぞれに矛盾するリテラルの組み合わせの上界の和である。例えば、penguin(x)→!fly(x)に矛盾するリテラルの組み合わせの上界は、考慮すべきリテラルにおいて述語penguinおよび述語flyを持つリテラルの組み合わせの数として計算することができるので、ここでは１×３＝３となる。同様にpenguin(x)∧swallow(x)→⊥に矛盾するリテラルの組み合わせの上界は、述語penguinを持つリテラルが３つ、述語swallowを持つリテラルが２つであるので、２×３＝６となる。したがって、リテラルpenguin(b)に関する論理制約の個数の上界は９であり、上で定めた閾値８を超えていることから、これらの論理制約は列挙せずに、Cutting Plane Inferenceの対象となる。
　次に、制約列挙部３において、前記制約処理方式決定部において事前列挙の対象となった論理制約の纏まりについて、具体的なリテラルの組み合わせを列挙する。図３に示す候補仮説に対する論理制約は、図４に示すように列挙される。
　候補仮説変換部４では、候補仮説集合Ｄ３に含まれ、かつ論理制約集合Ｄ４に含まれる組み合わせを満たさないような候補仮説の中で、最良の仮説を探索するような手続きを、制約付き組み合わせ最適化問題として表現して出力する。非特許文献１の方法によれば、最良の仮説を探索する手続きを、等価な整数線形計画問題として表現する。
　最適解探索部５では、前記候補仮説変換部から制約付き組み合わせ最適化問題を入力として受け取り、最良仮説を探索して出力する。非特許文献１の方法によれば、整数線形計画問題を入力として受け取り、外部の整数線形計画問題ソルバを用いて解くことで、最良仮説の探索を行う。
　無矛盾性判定部６では、前記最適解探索部５で得られた最良仮説に対して、前記制約処理方式決定部においてCutting Plane Inferenceの対象となった論理制約に矛盾していないかどうかの判定を行い、無矛盾であればその仮説を解仮説Ｄ５として出力する。一方、矛盾する論理制約が見つかった場合は、その論理制約を論理制約集合Ｄ４に追加した上で、処理を前記最適解探索部５へループさせる。例えば、図２に示す入力に対する最良仮説として、bird(a)∧fly(a)∧bird(b)∧!fly(b)∧penguin(c)∧swallow(d)∧swallow(a)∧(a=d)∧swallow(b)∧(b=d)という仮説が得られた場合を考える。これに対して無矛盾性判定部６は、図４に示す論理制約の纏まり（９）（１０）に対して仮説が矛盾していないかどうかを判定する。まず、リテラルpenguin(b)に関する論理制約（９）については、仮説にこのリテラルが含まれていないことから、無矛盾であることが自明である。次にリテラルswallow(b)に関する論理制約（１０）については、このリテラルが最良仮説に含まれる他のリテラルとの間で推論ルールに矛盾する組み合わせが存在しないかどうかを判定することで無矛盾性の検証を行う。この場合は、swallow(b)∧!fly(b)の組み合わせが推論ルールに矛盾するので、この組み合わせを論理制約として論理制約集合Ｄ４に追加した上で、再び最適解探索部５へ処理をループさせる。
　［効果］
　以上のように、上述した情報処理装置によると、まず、第一の効果として、論理制約ごとの処理方式を、状況に応じて適切なものを選択できる。その理由は、個々の論理制約を列挙する前に、列挙される数の上界などを評価することによって、Cutting Plane Inferenceの対象とすべきかどうかを判定することができるためである。経験的に、列挙される論理制約の数が多いほどCutting Plane Inferenceの恩恵が強くなるため、列挙数の上界を判定基準として対象を選別することで、Cutting Plane Inferenceの恩恵を強く得られるような論理制約のみをその対象にすることができる。
　第２の効果は、仮説推論における推論処理を、メモリ・計算時間の両面において既存の方式よりも効率的に行えることである。その理由は、上述した第１の効果により、列挙される数が多くなるような論理制約についてはCutting Plane Inferenceの対象となるので、本来多大なメモリ・計算時間が費やされるはずだったその論理制約を明示的に列挙する処理が、行わなくても済むようになるためである。
　第３の効果は、仮説推論全体の手続きを、メモリ・計算時間の両面において既存の方式よりも効率的に行えることである。その理由は、上述した第２の効果により、論理制約を列挙するのにかかるメモリおよび計算時間が削減されるほか、第２の効果により、ソルバに与えられる制約付き組み合わせ最適化問題における制約の数が削減されることで、外部ソルバによって最適解を探索する手続きにおけるメモリおよび計算時間が削減されるためである。
　＜実施形態２＞
　次に、本開示の第２の実施形態を、図５乃至図６を参照して説明する。図５乃至図６は、実施形態２における情報処理装置の構成を示すブロック図である。なお、本実施形態では、上述した実施形態で説明した情報処理装置の構成の概略を示している。
　まず、図５を参照して、本実施形態における情報処理装置１００のハードウェア構成を説明する。情報処理装置１００は、一般的な情報処理装置にて構成されており、一例として、以下のようなハードウェア構成を装備している。
　・ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）１０１（演算装置）
　・ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）１０２（記憶装置）
　・ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）１０３（記憶装置）
　・ＲＡＭ１０３にロードされるプログラム群１０４
　・プログラム群１０４を格納する記憶装置１０５
　・情報処理装置外部の記憶媒体１１０の読み書きを行うドライブ装置１０６
　・情報処理装置外部の通信ネットワーク１１１と接続する通信インタフェース１０７
　・データの入出力を行う入出力インタフェース１０８
　・各構成要素を接続するバス１０９
　なお、図５は、情報処理装置１００である情報処理装置のハードウェア構成の一例を示しており、情報処理装置のハードウェア構成は上述した場合に限定されない。例えば、情報処理装置は、ドライブ装置１０６を有さないなど、上述した構成の一部から構成されてもよい。また、情報処理装置は、上述したＣＰＵの代わりに、ＧＰＵ（Ｇｒａｐｈｉｃ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＤＳＰ（Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｏｒ）、ＭＰＵ（Ｍｉｃｒｏ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＦＰＵ（Ｆｌｏａｔｉｎｇ　ｐｏｉｎｔ　ｎｕｍｂｅｒ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＰＰＵ（Ｐｈｙｓｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＴＰＵ（ＴｅｎｓｏｒＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）、量子プロセッサ、マイクロコントローラ、又は、これらの組み合わせなどを用いることができる。
　そして、情報処理装置１００は、プログラム群１０４をＣＰＵ１０１が取得して当該ＣＰＵ１０１が実行することで、図６に示す生成部１２１と決定部１２２と推論部１２３とを構築して装備することができる。なお、プログラム群１０４は、例えば、予め記憶装置１０５やＲＯＭ１０２に格納されており、必要に応じてＣＰＵ１０１がＲＡＭ１０３にロードして実行する。また、プログラム群１０４は、通信ネットワーク１１１を介してＣＰＵ１０１に供給されてもよいし、予め記憶媒体１１０に格納されており、ドライブ装置１０６が該プログラムを読み出してＣＰＵ１０１に供給してもよい。但し、上述した生成部１２１と決定部１２２と推論部１２３とは、かかる手段を実現させるための専用の電子回路で構築されるものであってもよい。
　上記生成部１２１は、観測論理式及び背景知識に基づいて候補仮説を生成する。
　上記決定部１２２は、観測論理式及び背景知識に基づいて候補仮説が充足すべき論理制約の数の上界を算出し、算出した上界に応じて仮説推論を行う際における論理制約の処理方式を決定する。例えば、決定部１２２は、算出した上界に応じて、論理制約を事前に列挙する第一の前記処理方式と、候補仮説の論理制約に対する無矛盾性を事後判定する第二の処理方式と、のうち、いずれか一方の処理方式を決定する。このとき、決定部１２２は、観測論理式に含まれる述語毎に、かかる述語を含む背景知識と観測論理式とに基づいて上界を算出する。
　上記推論部１２３は、決定された処理方式にて論理制約を処理して候補仮説に対する仮説推論を行う。
　本開示は、以上のように構成されることにより、候補仮説に対する仮説推論を行う際における論理制約ごとの処理方式を、状況に応じて適切なものを選択できる。その結果、仮説推論における計算効率の向上を図ることができる。
　なお、上述したプログラムは、様々なタイプの非一時的なコンピュータ可読媒体（non-transitory computer readable medium）を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（tangible storage medium）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えばフレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば光磁気ディスク）、ＣＤ－ＲＯＭ（Read Only Memory）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Programmable ROM）、ＥＰＲＯＭ（Erasable PROM）、フラッシュＲＯＭ、ＲＡＭ（Random Access Memory））を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（transitory computer readable medium）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。
　以上、上記実施形態等を参照して本開示を説明したが、本開示は、上述した実施形態に限定されるものではない。本開示の構成や詳細には、本開示の範囲内で当業者が理解しうる様々な変更をすることができる。また、上述した生成部１２１と決定部１２２と推論部１２３との機能のうちの少なくとも一以上の機能は、ネットワーク上のいかなる場所に設置され接続された情報処理装置で実行されてもよく、つまり、いわゆるクラウドコンピューティングで実行されてもよい。
　＜付記＞
　上記実施形態の一部又は全部は、以下の付記のようにも記載されうる。以下、本開示における情報処理装置、情報処理方法、プログラムの構成の概略を説明する。但し、本開示は、以下の構成に限定されない。
（付記１）
　観測論理式及び背景知識に基づいて候補仮説を生成する生成部と、
　観測論理式及び背景知識に基づいて前記候補仮説が充足すべき論理制約の数の上界を算出し、算出した前記上界に応じて仮説推論を行う際における前記論理制約の処理方式を決定する決定部と、
　決定された前記処理方式にて前記論理制約を処理して前記候補仮説に対する仮説推論を行う推論部と、
を備えた情報処理装置。
（付記２）
　付記１に記載の情報処理装置であって、
　前記決定部は、算出した前記上界に応じて、前記論理制約を事前に列挙する第一の前記処理方式と、前記候補仮説の前記論理制約に対する無矛盾性を事後判定する第二の前記処理方式と、のうち、いずれか一方の前記処理方式を決定する、
情報処理装置。
（付記３）
　付記２に記載の情報処理装置であって、
　前記決定部は、算出した前記上界の値が予め設定された閾値未満である場合に、前記第一の処理方式を決定し、算出した前記上界の値が前記閾値以上である場合に、前記第二の処理方式を決定する、
情報処理装置。
（付記４）
　付記１乃至３のいずれかに記載の情報処理装置であって、
　前記決定部は、前記観測論理式に含まれる述語に基づいてまとめられた前記論理制約の集合毎に前記論理制約の数の前記上界を算出し、算出した前記上界の数に応じて前記論理制約の集合毎に前記処理方式を決定し、
　前記推論部は、前記論理制約の集合毎に決定した前記処理方式にて当該集合内の前記論理制約を処理して前記候補仮説に対する仮説推論を行う、
情報処理装置。
（付記５）
　付記１乃至４のいずれかに記載の情報処理装置であって、
　前記決定部は、前記観測論理式に含まれる述語毎に、当該述語に関連する前記論理制約の数の前記上界を算出し、算出した前記上界に応じて前記論理制約の前記処理方式を決定し、
　前記推論部は、前記述語毎に決定した前記処理方式にて当該述語に関連する前記論理制約を処理して前記候補仮説に対する仮説推論を行う、
情報処理装置。
（付記６）
　付記５に記載の情報処理装置であって、
　前記決定部は、前記観測論理式に含まれる前記述語毎に、当該述語を含む前記背景知識と前記観測論理式とに基づいて前記上界を算出する、
情報処理装置。
（付記７）
　付記６に記載の情報処理装置であって、
　前記決定部は、前記観測論理式に含まれる前記述語毎に、当該述語を含む前記背景知識を特定し、特定した前記背景知識に含まれる前記述語に対応する前記観測論理式内の前記述語の組み合わせの数に基づいて前記上界を算出する、
情報処理装置。
（付記８）
　観測論理式及び背景知識に基づいて候補仮説を生成し、
　観測論理式及び背景知識に基づいて前記候補仮説が充足すべき論理制約の数の上界を算出し、算出した前記上界に応じて仮説推論を行う際における前記論理制約の処理方式を決定し、
　決定された前記処理方式にて前記論理制約を処理して前記候補仮説に対する仮説推論を行う、
情報処理方法。
（付記９）
　付記８に記載の情報処理方法であって、
　算出した前記上界に応じて、前記論理制約を事前に列挙する第一の前記処理方式と、前記候補仮説の前記論理制約に対する無矛盾性を事後判定する第二の前記処理方式と、のうち、いずれか一方の前記処理方式を決定する、
情報処理方法。
（付記１０）
　付記８又は９に記載の情報処理方法であって、
　前記観測論理式に含まれる述語に基づいてまとめられた前記論理制約の集合毎に前記論理制約の数の前記上界を算出し、算出した前記上界の数に応じて前記論理制約の集合毎に前記処理方式を決定し、
　前記論理制約の集合毎に決定した前記処理方式にて当該集合内の前記論理制約を処理して前記候補仮説に対する仮説推論を行う、
情報処理方法。
（付記１１）
　付記８乃至１０のいずれかに記載の情報処理方法であって、
　前記観測論理式に含まれる述語毎に、当該述語に関連する前記論理制約の数の前記上界を算出し、算出した前記上界に応じて前記論理制約の前記処理方式を決定し、
　前記述語毎に決定した前記処理方式にて当該述語に関連する前記論理制約を処理して前記候補仮説に対する仮説推論を行う、
情報処理方法。
（付記１２）
　観測論理式及び背景知識に基づいて候補仮説を生成し、
　観測論理式及び背景知識に基づいて前記候補仮説が充足すべき論理制約の数の上界を算出し、算出した前記上界に応じて仮説推論を行う際における前記論理制約の処理方式を決定し、
　決定された前記処理方式にて前記論理制約を処理して前記候補仮説に対する仮説推論を行う、
処理をコンピュータに実行させるためのプログラムを記憶したコンピュータにて読み取り可能な記憶媒体。
１　候補仮説生成部
２　制約処理方式決定部
３　制約列挙部
４　候補仮説変換部
５　最適探索部
６　無矛盾性判定部
Ｄ１　観測論理式
Ｄ２　背景知識
Ｄ３　候補仮説集合
Ｄ４　論理制約集合
Ｄ５　解仮説
１００　情報処理装置
１０１　ＣＰＵ
１０２　ＲＯＭ
１０３　ＲＡＭ
１０４　プログラム群
１０５　記憶装置
１０６　ドライブ装置
１０７　通信インタフェース
１０８　入出力インタフェース
１０９　バス
１１０　記憶媒体
１１１　通信ネットワーク
１２１　生成部
１２２　決定部
１２３　推論部
 

Claims (12)

  1. 　観測論理式及び背景知識に基づいて候補仮説を生成する生成部と、
    　観測論理式及び背景知識に基づいて前記候補仮説が充足すべき論理制約の数の上界を算出し、算出した前記上界に応じて仮説推論を行う際における前記論理制約の処理方式を決定する決定部と、
    　決定された前記処理方式にて前記論理制約を処理して前記候補仮説に対する仮説推論を行う推論部と、
    を備えた情報処理装置。
  2. 　請求項１に記載の情報処理装置であって、
    　前記決定部は、算出した前記上界に応じて、前記論理制約を事前に列挙する第一の前記処理方式と、前記候補仮説の前記論理制約に対する無矛盾性を事後判定する第二の前記処理方式と、のうち、いずれか一方の前記処理方式を決定する、
    情報処理装置。
  3. 　請求項２に記載の情報処理装置であって、
    　前記決定部は、算出した前記上界の値が予め設定された閾値未満である場合に、前記第一の処理方式を決定し、算出した前記上界の値が前記閾値以上である場合に、前記第二の処理方式を決定する、
    情報処理装置。
  4. 　請求項１に記載の情報処理装置であって、
    　前記決定部は、前記観測論理式に含まれる述語に基づいてまとめられた前記論理制約の集合毎に前記論理制約の数の前記上界を算出し、算出した前記上界の数に応じて前記論理制約の集合毎に前記処理方式を決定し、
    　前記推論部は、前記論理制約の集合毎に決定した前記処理方式にて当該集合内の前記論理制約を処理して前記候補仮説に対する仮説推論を行う、
    情報処理装置。
  5. 　請求項１に記載の情報処理装置であって、
    　前記決定部は、前記観測論理式に含まれる述語毎に、当該述語に関連する前記論理制約の数の前記上界を算出し、算出した前記上界に応じて前記論理制約の前記処理方式を決定し、
    　前記推論部は、前記述語毎に決定した前記処理方式にて当該述語に関連する前記論理制約を処理して前記候補仮説に対する仮説推論を行う、
    情報処理装置。
  6. 　請求項５に記載の情報処理装置であって、
    　前記決定部は、前記観測論理式に含まれる前記述語毎に、当該述語を含む前記背景知識と前記観測論理式とに基づいて前記上界を算出する、
    情報処理装置。
  7. 　請求項６に記載の情報処理装置であって、
    　前記決定部は、前記観測論理式に含まれる前記述語毎に、当該述語を含む前記背景知識を特定し、特定した前記背景知識に含まれる前記述語に対応する前記観測論理式内の前記述語の組み合わせの数に基づいて前記上界を算出する、
    情報処理装置。
  8. 　観測論理式及び背景知識に基づいて候補仮説を生成し、
    　観測論理式及び背景知識に基づいて前記候補仮説が充足すべき論理制約の数の上界を算出し、算出した前記上界に応じて仮説推論を行う際における前記論理制約の処理方式を決定し、
    　決定された前記処理方式にて前記論理制約を処理して前記候補仮説に対する仮説推論を行う、
    情報処理方法。
  9. 　請求項８に記載の情報処理方法であって、
    　算出した前記上界に応じて、前記論理制約を事前に列挙する第一の前記処理方式と、前記候補仮説の前記論理制約に対する無矛盾性を事後判定する第二の前記処理方式と、のうち、いずれか一方の前記処理方式を決定する、
    情報処理方法。
  10. 　請求項８に記載の情報処理方法であって、
    　前記観測論理式に含まれる述語に基づいてまとめられた前記論理制約の集合毎に前記論理制約の数の前記上界を算出し、算出した前記上界の数に応じて前記論理制約の集合毎に前記処理方式を決定し、
    　前記論理制約の集合毎に決定した前記処理方式にて当該集合内の前記論理制約を処理して前記候補仮説に対する仮説推論を行う、
    情報処理方法。
  11. 　請求項８に記載の情報処理方法であって、
    　前記観測論理式に含まれる述語毎に、当該述語に関連する前記論理制約の数の前記上界を算出し、算出した前記上界に応じて前記論理制約の前記処理方式を決定し、
    　前記述語毎に決定した前記処理方式にて当該述語に関連する前記論理制約を処理して前記候補仮説に対する仮説推論を行う、
    情報処理方法。
  12. 　観測論理式及び背景知識に基づいて候補仮説を生成し、
    　観測論理式及び背景知識に基づいて前記候補仮説が充足すべき論理制約の数の上界を算出し、算出した前記上界に応じて仮説推論を行う際における前記論理制約の処理方式を決定し、
    　決定された前記処理方式にて前記論理制約を処理して前記候補仮説に対する仮説推論を行う、
    処理をコンピュータに実行させるためのプログラムを記憶したコンピュータにて読み取り可能な記憶媒体。
     
PCT/JP2023/012632 2023-03-28 2023-03-28 情報処理装置、情報処理方法、記憶媒体 Ceased WO2024201743A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2023/012632 WO2024201743A1 (ja) 2023-03-28 2023-03-28 情報処理装置、情報処理方法、記憶媒体
JP2025509362A JPWO2024201743A1 (ja) 2023-03-28 2023-03-28

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2023/012632 WO2024201743A1 (ja) 2023-03-28 2023-03-28 情報処理装置、情報処理方法、記憶媒体

Publications (1)

Publication Number Publication Date
WO2024201743A1 true WO2024201743A1 (ja) 2024-10-03

Family

ID=92903567

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/012632 Ceased WO2024201743A1 (ja) 2023-03-28 2023-03-28 情報処理装置、情報処理方法、記憶媒体

Country Status (2)

Country Link
JP (1) JPWO2024201743A1 (ja)
WO (1) WO2024201743A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021245726A1 (ja) * 2020-06-01 2021-12-09 日本電気株式会社 情報処理装置、情報処理方法、及びコンピュータ読み取り可能な記録媒体
WO2022049706A1 (ja) * 2020-09-03 2022-03-10 日本電気株式会社 仮説推論装置、仮説推論方法及び非一時的なコンピュータ可読媒体
WO2022180729A1 (ja) * 2021-02-25 2022-09-01 日本電気株式会社 推論装置、推論方法、及び、記録媒体

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021245726A1 (ja) * 2020-06-01 2021-12-09 日本電気株式会社 情報処理装置、情報処理方法、及びコンピュータ読み取り可能な記録媒体
WO2022049706A1 (ja) * 2020-09-03 2022-03-10 日本電気株式会社 仮説推論装置、仮説推論方法及び非一時的なコンピュータ可読媒体
WO2022180729A1 (ja) * 2021-02-25 2022-09-01 日本電気株式会社 推論装置、推論方法、及び、記録媒体

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
YAMAMOTO KAZETO, NAOYA INOUE, KENTARO INUI: "Boosting Abductive Reasoning with Functional Literals", JOURNAL OF NATURAL LANGUAGE PROCESSING., vol. 23, no. 3, 1 June 2016 (2016-06-01), JAPAN , pages 267 - 298, XP055913772, ISSN: 1340-7619 *

Also Published As

Publication number Publication date
JPWO2024201743A1 (ja) 2024-10-03

Similar Documents

Publication Publication Date Title
Zhao et al. Synthesizing barrier certificates using neural networks
Sanchez-Stern et al. Generating correctness proofs with neural networks
JP6598981B2 (ja) データ処理グラフのコンパイル
Garcia et al. HyPLC: Hybrid programmable logic controller program translation for verification
WO2018229877A1 (ja) 仮説推論装置、仮説推論方法、及びコンピュータ読み取り可能な記録媒体
Maheswari et al. Combined genetic and simulated annealingapproach for test case prioritization
CN117972732A (zh) 基于多特征融合的智能合约漏洞检测方法及系统
Bofill et al. Solving the multi-mode resource-constrained project scheduling problem with SMT
Kriegel et al. NextClosures: Parallel Computation of the Canonical Base.
CN116341634B (zh) 神经结构搜索模型的训练方法、装置及电子设备
Bandyopadhyay et al. A path construction algorithm for translation validation using PRES+ models
JP7529022B2 (ja) 情報処理装置、情報処理方法、及びプログラム
Nakayama et al. Deduction system for decision logic based on partial semantics
WO2024201743A1 (ja) 情報処理装置、情報処理方法、記憶媒体
Zeng et al. Aware: Adaptive distributed training with computation, communication and position awareness for deep learning model
Biere et al. Experimenting with SAT solvers in Vampire
JP7452674B2 (ja) 仮説推論装置、仮説推論方法及び仮説推論プログラム
CN115617609B (zh) 一种监控数据的处理方法及装置
CN108710912B (zh) 基于二分类机器学习的时序逻辑近似模型检测方法及系统
Madavan On improving efficiency of differential evolution for aerodynamic shape optimization applications
JP7322966B2 (ja) 情報処理装置、情報処理方法及びプログラム
Froessl et al. An Efficient Algorithm for Real-Time Symbolic Model Checking.
Papacchini et al. Terminating minimal model generation procedures for propositional modal logics
JP7544261B2 (ja) 仮説推論装置、仮説推論方法及びプログラム
Abdelkader et al. A Novel Approach for Enhancing Code Smell Detection Using Random Convolutional Kernel Transform

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23930383

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2025509362

Country of ref document: JP

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 2025509362

Country of ref document: JP

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 23930383

Country of ref document: EP

Kind code of ref document: A1