가능성 기반 이중 논리 프로그램의 새로운 의미론

본 논문은 불확실하고 불완전하며 때로는 모순을 포함하는 지식베이스를 효과적으로 다루기 위해, 가능성 논리와 답집 프로그래밍(Answer Set Programming, ASP)의 통합 모델인 ‘가능성 이중 논리 프로그램(Possibilistic Disjunctive Logic Programs, PDLP)’을 제안한다. 첫 번째로, 저자들은 기존의 이중 절(disjunctive clause)에 가능성 라벨을 부착한 ‘가능성 이중 절(possibilistic disjunctive clause)’을 정의한다. 라벨은 ‘확실(Certain)’, ‘확신(Confident)’, ‘가능(Probable)’, ‘추정(Plausible)’, ‘지원(Supported)’, ‘열린(Open)’ 등 유한하고 전순서 관계를 갖는 집합 Q에 속한다. 이러한 라벨은 각 규칙이 얼마나 신뢰할 수 있는지를 정량화하며, 라벨 간의 순서는 가능성 논리에서 사용되는 필요성(Necessity)과 가능성(Possibility) 척도와 일치한다. 두 번째로, 논문은 가능성 논리 프로그램을 ‘가능성 논리 이론(possibilistic logic theory)’으로 해석하고, 이를 기반으로 새로운 의미론을 구축한다. 기존 ASP의 답집 의미와 가능성 논리의 증명 연산 ⊢_PL을 결합하여, ‘가능성 답집(possibilistic answer set)’이라는 개념을 도입한다. 이 의미는 고정점 연산자 T_P에 의해 정의된 최소 고정점으로 표현되며, T_P는 라벨이 높은 규칙을 우선 적용하면서 이중 절의 비결정성을 유지하도록 설계되었다. 세 번째로, 계산 가능성을 확보하기 위해 저자들은 전통적인 해석(resolution) 규칙을 확장한 ‘가능성 해석(possibilistic resolution)’ 알고리즘을 제시한다. 각 절에 부여된 라벨을 고려해 최적(refutation) 해석을 찾으며, 최적 해석은 라벨의 최소값(가장 약한 근거)에 의해 결정된다. 따라서 전체 프로그램의 의미는 ‘최적 해석 집합(optimal refutation set)’으로 계산 가능하고, 이는 기존 ASP 솔버와 유사한 방식으로 구현될 수 있다. 네 번째로, 모순이 포함된 가능성 프로그램을 다루기 위한 두 가지 메커니즘을 제안한다. 첫째, 서로 다른 모형 사이에 라벨 기반 선호 기준(preference criterion)을 정의하여, 모순 상황에서도 라벨이 가장 높은 모델을 선택한다. 둘째, ‘컷(cut)’ 연산을 도입해 라벨 임계값 이하의 규칙을 제거함으로써 일관성을 회복한다. 이는 라벨이 전순서이므로, 사용자가 원하는 일관성 수준에 따라 임계값을 조정할 수 있게 한다. 다섯 번째로, 논문은 이론적 제안을 실제 의료 시나리오에 적용한다. 장기 이식, 특히 신장 이식 과정에서 기증자와 수혜자의 감염 상태, 이식 후 기능(양호, 지연, 말기 부전) 등 다양한 불확실 요소를 라벨링하고, 가능성 이중 절로 모델링한다. 예를 들어, “가능성 높음: r_inf(present, T2) ∨ ¬r_inf(present, T2) ← action(transplant, T), d_inf(present, T), T2 = T+1”와 같은 규칙을 통해, 기증자의 감염이 수혜자에게 전파될 가능성을 정량화한다. 이러한 모델을 통해 의료 전문가가 언어적 불확실성을 논리식에 직접 반영하고, 자동 추론을 통해 최적의 치료·이식 결정을 지원할 수 있음을 시연한다. 마지막으로, 논문은 기존 연구와의 차별점을 정리한다. 기존의 가능성 ASP 모델은 주로 정상(negation‑free) 프로그램에 국한되었으나, 본 연구는 이중 절과 강한 부정(strong negation)을 모두 포함하도록 확장하였다. 또한, 증명 이론에 기반한 의미 정의와 고정점 연산자를 도입함으로써, 의미론적 일관성과 계산 효율성을 동시에 확보하였다. 결론적으로, 이 논문은 가능성 라벨을 통한 정량적 불확실성 표현, 고정점 기반 의미 정의, 해석 기반 계산 방법, 그리고 모순 관리 메커니즘을 통합한 강력한 비단조 논리 프로그래밍 프레임워크를 제시한다. 이는 인공지능, 지식공학, 의료 의사결정 등 다양한 분야에서 불확실하고 복합적인 지식베이스를 다루는 데 유용한 도구가 될 것으로 기대된다.