본 논문은 불확실성 하에서의 실용적 추론에 있어 주요 접근법인 분포 의미론(Distribution Semantics) 하의 확률 논리 프로그래밍(PLP)을 다룹니다. 분포 의미론의 장점은 Prolog 또는 Python 라이브러리로 구현하기 용이하다는 점이며, ProbLog와 cplint/PITA라는 두 가지 잘 관리되는 구현체를 통해 사용 가능합니다. 하지만 현재의 분포 의미론 공식화는 점 확률(point-probabilities)을 사용하기 때문에, 예를 들어 컴퓨터 비전 모델의 계층적 분류에서 발생하는 것과 같은 인식론적 불확실성(epistemic uncertainty)을 표현하는 데 어려움이 있습니다. 신념 함수(belief functions)는 비가법 용량(non-additive capacities)으로서 확률 측정값을 일반화하며, 구간 확률(interval probabilities)을 통해 인식론적 불확실성을 해결합니다. 본 논문은 신념 함수를 포함하도록 분포 의미론을 확장한 기반으로 구간 기반 용량 논리 프로그램(interval-based Capacity Logic Programs)을 제시하고, 실용적인 응용에 적합하도록 하는 새로운 프레임워크의 특성을 설명합니다.
