[論文レビュー] A Generally Applicable, Highly Scalable Measurement Computation and Optimization Approach to Sequential Model-Based Diagnosis

Patrick Rodler, Wolfgang Schmid+1 more|arXiv (Cornell University)|Nov 15, 2017

Software Testing and Debugging Techniques参考文献 54被引用数 12

ひとこと要約

本論文は、逐次モデルベース診断における最適測定選択のための、非常にスケーラブルで一般に適用可能な手法を提示する。この手法により、期待されるクエリ数と1クエリあたりのコストの両方を最小化するクエリを即座に計算可能となる。最適化と探索空間の縮小を分離することで、推論エンジンの呼び出しを回避し、多項式時間の計算量を達成。実世界の評価において、従来手法と比較して1桁以上も優れている。

ABSTRACT

Model-Based Diagnosis deals with the identification of the real cause of a system's malfunction based on a formal system model and observations of the system behavior. When a malfunction is detected, there is usually not enough information available to pinpoint the real cause and one needs to discriminate between multiple fault hypotheses (called diagnoses). To this end, Sequential Diagnosis approaches ask an oracle for additional system measurements. This work presents strategies for (optimal) measurement selection in model-based sequential diagnosis. In particular, assuming a set of leading diagnoses being given, we show how queries (sets of measurements) can be computed and optimized along two dimensions: expected number of queries and cost per query. By means of a suitable decoupling of two optimizations and a clever search space reduction the computations are done without any inference engine calls. For the full search space, we give a method requiring only a polynomial number of inferences and show how query properties can be guaranteed which existing methods do not provide. Evaluation results using real-world problems indicate that the new method computes (virtually) optimal queries instantly independently of the size and complexity of the considered diagnosis problems and outperforms equally general methods not exploiting the proposed theory by orders of magnitude.

研究の動機と目的

• 診断コストを低減するため、逐次モデルベース診断における最適クエリ選択の課題に取り組む。
• スケーラブルで一般に適用可能な方法で、期待されるクエリ数と1クエリあたりのコストの両方を最小化する。
• 推論エンジンの呼び出しに依存せずに、即座のクエリ計算を可能にし、効率性を向上させる。
• 従来手法が欠いているクエリの性質に関する理論的保証を提供する。
• 実世界の診断問題においてこの手法を評価し、優れた性能を示す。

提案手法

• 逐次診断問題を知識ベースデバッグ問題に還元することで、形式的なクエリ分析を可能にする。
• 期待されるクエリ数と1クエリあたりのコストという2つの次元における、分離された最適化戦略を導入する。
• 推論エンジンの呼び出しを必要としない、新しい探索空間の縮小技術を提案する。
• クエリ計算において、たとえ全探索空間であっても、多項式数の推論のみを用いてクエリを計算する。
• 形式的なq分割と含意解析を通じて、一貫性や診断的有用性といったクエリの性質を保証する。
• 任意の診断問題をサポートし、クエリの最適性に関する理論的保証を提供するフレームワークを構築する。

実験結果

リサーチクエスチョン

• RQ1 逐次モデルベース診断におけるクエリ選択を、クエリ数と1クエリあたりのコストの両方を最小化するように最適化する方法は何か？
• RQ2 推論エンジンの呼び出しを伴わずに、クエリ計算を効率的に行うことは可能か？
• RQ3 一般診断問題において、クエリ品質に関する理論的保証をどのように提供できるか？
• RQ4 本手法は、既存の汎用的アプローチと比較してどのようにスケーリングするか？
• RQ5 実世界の診断問題において、最小限の計算オーバーヘッドでほぼ最適なクエリ選択を達成できるか？

主な発見

• 提示された手法は、診断問題のサイズや複雑さに関係なく、（ほぼ）最適なクエリを即座に計算可能である。
• 計算効率の観点から、同等に一般化された既存手法と比較して、1桁以上優れている。
• 全探索空間であっても、クエリ計算には多項式数の推論のみが必要である。
• 従来手法が提供しない、診断的有用性や一貫性といったクエリの性質を、本手法は保証する。
• 実世界の問題における評価により、本手法のスケーラビリティと実用的診断シナリオにおける有効性が確認された。
• クエリ計算中に推論エンジンの呼び出しを完全に排除し、計算オーバーヘッドを顕著に削減した。