[論文レビュー] Highly Incremental: A Simple Programmatic Approach for Many Objectives (Extended Version)

Philipp Schröer, Joost-Pieter Katoen|arXiv (Cornell University)|Mar 2, 2026

Formal Methods in Verification被引用数 0

ひとこと要約

論文は報酬ベースのプログラミング拡張と単調変換を導入し、多様な確率プログラムの目的を標準的な weakest pre-expectation 推論へと還元することで、一貫した解析と自動化（Caesar 証明機）を可能にする。

ABSTRACT

We present a one-fits-all programmatic approach to reason about a plethora of objectives on probabilistic programs. The first ingredient is to add a reward-statement to the language. We then define a program transformation applying a monotone function to the cumulative reward of the program. The key idea is that this transformation uses incremental differences in the reward. This simple, elegant approach enables to express e.g., higher moments, threshold probabilities of rewards, the expected excess over a budget, and moment-generating functions. All these objectives can now be analyzed using a single existing approach: probabilistic wp-reasoning. We automated verification using the Caesar deductive verifier and report on the application of the transformation to some examples.

研究の動機と目的

• 確率プログラムの単純な期待値を超える広範な定量的目的を推論する必要性を動機づける。
• 実行中に非負の報酬を収集する報酬文を統一的な抽象として導入する。
• 増分報酬差分を用いて複雑な変換報酬を標準的な期待値へ還元するプログラム変換を開発する。
• wp フレームワーク内で高次モーメント、閾値確率、モーメント母関数を表現できることを示す。
• 既存の wp ベースのツール（Caesar）と統合し、変換を例題プログラムへ適用して自動検証を可能にする。

提案手法

• 報酬 a 文を埋め込んだ確率的ガード付き命令言語（pGCL）を拡張し、実行中に非負の報酬を蓄積する。
• 関数 f を用いて E(f(rew(S))) を計算する報酬変換を定義する。f は複雑な場合（例：二乗、閾値、MGF など）になり得る。
• 報酬文に対応し、変換後の報酬を推論するために weakest pre-expectation（wp）のセマンティクスを再利用・適用する。
• プログラム変換を関連するマルコフ連鎖変換と関連づけて健全性を証明する。
• 単一の wp ベースの枠組みで高次モーメントなどの多様な目的をモデル化できることを示す。
• 拡張された報酬付き wp 演算論を自動化し、Caesar 推論検証器を適用する方法と拡張フレームワークおよび例題プログラムへの適用を論じる。

実験結果

リサーチクエスチョン

• RQ1 報酬文を追加した単一の wp ベースの枠組みで、確率プログラムの目的の広範な集合を表現・分析できるか。
• RQ2 標準的な wp 手法を用いて変換後の報酬（例：高次モーメント、閾値報酬）を推論できる健全なプログラム変換が存在するか。
• RQ3 高次モーメントやMGF のような高次目的を同じ形式論にモデル化し検証できるか。
• RQ4 Caesar などの既存の検証ツールを拡張報酬対応 wp 計算に実際の例で適用できる程度はどのくらいか。

主な発見

• 統一されたプログラミングアプローチは、報酬文を用いて wp フレームワーク内の多様な定量的目的をモデル化できる。
• 単純な増分差分ベースのプログラム変換により、複雑な変換後の報酬を標準の期待報酬へ還元し、wp 理論とツールの再利用を可能にする。
• 本手法は高次モーメント、閾値確率、割引報酬、モーメント母関数を表現・分析できる。
• 報酬付き拡張 wp セマンティクスは関連マルコフ連鎖変換に対して健全である。
• 自動化は既存の推論ツール（Caesar）によって実現可能で、確率プログラムの例題にも適用できる。