[論文レビュー] Graph Temporal Logic Inference for Classification and Identification

Zhe Xu, Alexander Nettekoven+2 more|arXiv (Cornell University)|Mar 22, 2019

Slime Mold and Myxomycetes Research参考文献 20被引用数 6

ひとこと要約

本稿では、グラフ構造データから解釈可能な空間時系列パターンを同定するためのグラフ時系列論理（GTL）を導入する。これにより、複雑なシステム行動の分類および同定が可能になる。高いカバレッジと情報量の増加を達成するためのアルゴリズムを提案し、SLS増 additive manufacturing、ロボットスワーム、引張試験片のデータに対して検証した。誤分類率は最低で8.33％、カバレッジは100％を達成した。

ABSTRACT

Inferring spatial-temporal properties from data is important for many complex systems, such as additive manufacturing systems, swarm robotic systems and biological networks. Such systems can often be modeled as a labeled graph where labels on the nodes and edges represent relevant measurements such as temperatures and distances. We introduce graph temporal logic (GTL) which can express properties such as "whenever a node's label is above 10, for the next 3 time units there are always at least two neighboring nodes with an edge label of at most 2 where the node labels are above 5". This paper is a first attempt to infer spatial (graph) temporal logic formulas from data for classification and identification. For classification, we infer a GTL formula that classifies two sets of graph temporal trajectories with minimal misclassification rate. For identification, we infer a GTL formula that is informative and is satisfied by the graph temporal trajectories in the dataset with high probability. The informativeness of a GTL formula is measured by the information gain with respect to given prior knowledge represented by a prior probability distribution. We implement the proposed approach to classify the graph patterns of tensile specimens built from selective laser sintering (SLS) process with varying strengths, and to identify informative spatial-temporal patterns from experimental data of the SLS cooldown process and simulation data of a swarm of robots.

研究の動機と目的

• ラベル付きグラフにおける空間時系列的性質（例：SLSプロセスにおける温度や距離のパターン）を表現する形式的記法の開発。
• データから空間時系列論理式を同定するというギャップの解消、特に分類および同定タスクに焦点を当てる。
• 高いカバレッジと最小限の誤分類を達成する、解釈可能で情報量の多いGTL式を生成するフレームワークの構築。
• ネットワーク化されたシステムにおける検証および制御器合成を可能にする、同定されたGTL仕様の利用。

提案手法

• 述語および演算子に自由パラメータを含むパラメトリックグラフ時系列論理（pGTL）を導入し、これによりGTL式が生成される。
• 2つのアルゴリズムを提案：分類タスク向けのGTL式同定（誤分類を最小化）と、同定タスク向けの情報量最大化（事前知識に対する情報量の増加を最大化）。
• 情報量の指標として情報量の増加を用い、同定された式の確率を事前分布と比較する。
• カバレッジ率と誤分類率を評価指標として用い、式のデータとの整合性を検証する。
• 2段階の最適化プロセスを採用：まず、データから候補となる式のテンプレートを生成し、次に制約付き最適化によりパラメータを調整して情報量の増加を最大化するか、誤分類を最小化する。
• SLSプロセス、引張試験片、ロボットスワームからの実データおよびシミュレーションデータを用い、独立したテストセットを用いて結果を検証した。

実験結果

リサーチクエスチョン

• RQ1 空間的および時間的依存関係を捉える形式論理を用いて、グラフ構造の時系列データを効果的にモデル化できるか？
• RQ2 異なるシステム行動を最小限の誤分類で分類できるように、GTL式をデータから自動的に同定できるか？
• RQ3 事前知識の文脈において、GTL式の情報量を定量化する基準は何か？
• RQ4 同定されたGTL式は、未観測データに対しても高いカバレッジと低い誤差で一般化できるか？
• RQ5 自明な論理的命題や恒真命題と比較して、GTL式は解釈可能性および情報量の点で優れているか？

主な発見

• 分類手法は、強度が異なる変動する引張試験片のテストセットにおいて、ノード単位の誤分類率が8.33％にまで低下し、高い正確性を示した。
• SLS冷却プロセスにおいて、同定されたGTL式 φ*_{θ*,2}^{I*} は別々のテストセット（16本の軌道）で100％のカバレッジを達成し、平均情報量の増加が0.1563であった。
• ロボットスワームのシミュレーションでは、同定された式 φ*_{θ*,3}^{I*} が100％のカバレッジを達成し、平均情報量の増加が0.1であった。自明なまたは恒真の代替式を上回る性能を示した。
• 識別手法は、実験的およびシミュレーションデータの両方から、非自明で情報量の多いGTL式を効果的に抽出できた。検証済みのすべての式が、独立したテストセットで100％のカバレッジを達成した。
• 提案されたフレームワークは、情報量の増加を測定することで、自明な命題（恒真）と情報を含む論理式を区別し、同定された論理式が実際にシステムのパターンを反映していることを保証した。
• 結果として、GTLの同定は、複雑なネットワーク化システムに対して、解釈可能で数学的に厳密かつ一般化可能な仕様抽出を可能にする。