본 논문은 구성 가능한 시스템의 의존성을 지정하는 데 흔히 사용되는 특징 모델의 자동 추론을 개선하는 방법을 제시합니다. 기존에는 특징 모델을 CNF로 변환하여 SAT 또는 #SAT 솔버와 같은 도구를 사용하는 것이 표준이었지만, 현대적인 특징 모델 언어는 CNF 변환에 적합하지 않은 기수 제약 조건과 같은 구성 요소를 포함하는 경우가 많습니다. 이 논문에서는 이러한 문제를 해결하기 위해 두 가지 기여를 합니다. 첫째, 부울 인코딩보다 일반적으로 사용되는 구성 요소를 더 작게 표현할 수 있는 특징 모델에 대한 의사 부울 인코딩을 제공합니다. 둘째, 의사 부울 수식을 부울 d-DNNF로 컴파일하는 새로운 방법을 제안합니다. 실험 결과, 제안된 방법은 표현력이 풍부한 구성 요소에 대해 CNF 기반의 최첨단 방법보다 상당히 우수한 성능을 보임을 보여줍니다. 다양한 특징 모델과 구성 요소를 나타내는 모든 데이터 세트에서 특징 모델을 CNF보다 의사 부울로 훨씬 빠르게 변환할 수 있었습니다. 기본 구성 요소만 있는 특징 모델에서도 경쟁력 있는 성능을 보입니다.
