[論文レビュー] Mining Beyond the Bools: Learning Data Transformations and Temporal Specifications

Sam Nicholas Kouteili, William Fishell+3 more|arXiv (Cornell University)|Mar 5, 2026

Formal Methods in Verification被引用数 0

ひとこと要約

この論文は、TSL fとSyntax-Guided Synthesisを用いてデータ変換を学習し、データ豊富な時系列特性の仕様抽出を拡張し、その後 mined 仕様から高いサンプル効率と強い一般化能力を持つリアクティブコントローラを合成する。

ABSTRACT

Mining specifications from execution traces presents an automated way of capturing characteristic system behaviors. However, existing approaches are largely restricted to Boolean abstractions of events, limiting their ability to express data-aware properties. In this paper, we extend mining procedures to operate over richer datatypes. We first establish candidate functions in our domain that cover the set of traces by leveraging Syntax Guided Synthesis (SyGuS) techniques. To capture these function applications temporally, we formalize the semantics of TSL$_f$, a finite-prefix interpretation of Temporal Stream Logic (TSL) that extends LTL$_f$ with support for first-order predicates and functional updates. This allows us to unify a corresponding procedure for learning the data transformations and temporal specifications of a system. We demonstrate our approach synthesizing reactive programs from mined specifications on the OpenAI-Gymnasium ToyText environments, finding that our method is more robust and orders of magnitude more sample-efficient than passive learning baselines on generalized problem instances.

研究の動機と目的

• Execution traces から表現力豊かな時系列およびデータ認識仕様を自動抽出する動機づけ。
• データ変換関数とそれらの時系列関係を発見する採掘パイプラインの開発。
• データと時間を扱うための Temporal Stream Logic (TSL f) の有限接頭解釈を形式化。
• 変数間の更新関数を推定するための Syntax-Guided Synthesis の統合。
• mined 仕様からの OpenAI-Gym ToyText 環境でのリアクティブコントローラ合成の実証。

提案手法

• データ変換と一階述語をサポートする TSL f の有限接頭版を導入。
• SyGuS を用いたボトムアップの関数発見手順を提案し、各時刻で各変数の更新関数を見つける。
• 制約グループを貪欲に統合して、全遷移を網羅するコンパクトな関数集合を形成する（アルゴリズム2）。
• trace を関数適用トレースに高め、トレース間の更新を決定するように規定をランク付けしてWell-formed な TSL f トレースを構築する（アルゴリズム3と4）。
• トレースを関数適用トレースへリフトし、拡張 Bolt フレームワークを用いて生存性(F)と安全性(G) の性質を持つ仕様抽出を行い、結合 G φ ∧ F ψ を得る。
• mined TSL f 仕様から Issy を用いてリアクティブコントローラを合成し、OpenAI-Gym ToyText 環境で評価を行う。

実験結果

リサーチクエスチョン

• RQ1 traces から Boolean 以外の任意データ型を含む表現力豊かなデータ変換関数と時系列仕様をマイニングできるか？
• RQ2 SyGuS を統合して trace の展開を説明する変数更新関数を発見できるか？
• RQ3 データ認識的な時系列仕様を学習することでリアクティブコントローラ合成の頑健性とサンプル効率が改善されるか（ベースラインと比較して）？
• RQ4 有限トレースの文脈で TSL f と標準 TSL の表現力のギャップはどれくらいで、それが実現可能性にどう影響するか？
• RQ5 mined 生存性・安全性仕様は未知の構成にも一般化するか？

主な発見

Method	Train	Test	4	8	12	16	20	50	100	500	1000
SpecMining(TSL f)	fixed	var_conf	24	42	50	50	50	-	-	-	-
var_conf	var_conf	45	50	50	50	50	-	-	-	-
fixed	var_size	24	50	50	50	50	-	-	-	-

• TSL f は非ブールデータからなるトレースからデータ変換関数と時系列仕様の両方をマイニングできる。
• hold-out ToyText 構成で 20 個例 (≤20) という極めて少ない例数で完璧な勝率を達成。
• ベースラインと比較して、TSL f を用いた仕様マイニングはサンプル効率が大幅に高く、未知のボードサイズや穴の配置への一般化性能が高い。
• FrozenLake 風タスクでは、 mined の生存性と安全性仕様がメモリされた位置を超えた関係推論を可能にする。
• 他の受動的模倣ベースライン（例えば確率的 Mealy、行動クローン、決定木）よりもサンプル効率が桁違いに高く、アクション意味を欠く LTL f ベースラインよりも優れる。
• mined 仕様は関係的不変条件（例：プレイヤー座標と穴の座標の比較）を表現し、ボード構成を超えて一般化する。

Figure 3 : Function discovery procedure. After choosing input-output pairs, the SyGuS solver determines unique functions for each constraint. Constraints are merged by their synthesized functions, at which point smaller constraint sets attempt to merge into larger ones, eliminating spurious function