본 논문은 LPMLN(Log-linear Probabilistic Answer Set Programming)을 Markov Logic의 log-linear weight scheme을 채택하여 Answer Set Program을 확장한 형식으로, LPMLN과 다른 Answer Set Program 확장 형식인 약한 제약 조건(weak constraints)과 P-log와의 관계를 조사한다. LPMLN을 약한 제약 조건을 가진 프로그램으로 변환하고, P-log를 LPMLN으로 변환하는 방법을 제시하며, 기존의 반대 방향 변환을 보완한다. 첫 번째 변환을 통해 표준 ASP 솔버를 이용하여 LPMLN 프로그램의 가장 가능성이 높은 안정 모델(MAP 추정치)을 계산할 수 있다. 이 결과는 Markov Logic, ProbLog, Pearl's Causal Models 등 LPMLN으로 변환 가능한 다른 형식으로 확장될 수 있다. 두 번째 변환은 P-log의 확률적 비단조성(새로운 정보에 따라 추론자가 확률 모델을 변경하는 능력)을 LPMLN으로 표현하는 방법을 제시하며, 표준 ASP 솔버와 MLN 솔버를 사용하여 P-log를 계산하는 방법을 제공한다.
