[論文レビュー] Smoothed Model Checking for Uncertain Continuous Time Markov Chains

Luca Bortolussi, Dimitrios Milios+1 more|arXiv (Cornell University)|Feb 6, 2014

Gaussian Processes and Bayesian Inference参考文献 35被引用数 6

ひとこと要約

この論文では、不確実な連続時間マコフ連鎖（CTMC）における満たし確率の滑らかさを活用して、パrameter空間全体の満たし関数を推定するベイジアン統計的手法、Smoothed Model Checking を導入する。満たし関数をガウス過程としてモデル化することで、少数のシミュレーションから論理式の確率を高精度でグローバルに近似可能となり、標準的な統計的モデルチェックに比べて数個のオーダーの高速化を達成しながらも、高い正確性を維持する。

ABSTRACT

We consider the problem of computing the satisfaction probability of a formula for stochastic models with parametric uncertainty. We show that this satisfaction probability is a smooth function of the model parameters. This enables us to devise a novel Bayesian statistical algorithm which performs statistical model checking simultaneously for all values of the model parameters from observations of truth values of the formula over individual runs of the model at isolated parameter values. This is achieved by exploiting the smoothness of the satisfaction function: by modelling explicitly correlations through a prior distribution over a space of smooth functions (a Gaussian Process), we can condition on observations at individual parameter values to construct an analytical approximation of the function itself. Extensive experiments on non-trivial case studies show that the approach is accurate and several orders of magnitude faster than naive parameter exploration with standard statistical model checking methods.

研究の動機と目的

• パrameter の不確実性を伴う CTMC におけるモデルチェックの課題に取り組むこと。従来の手法はモデルが完全に指定されていると仮定している。
• パrameter の不確実性を考慮したスケーラブルで正確な統計的モデルチェックフレームワークを開発すること。
• 満たし関数の滑らかさという構造的性質を活用して、異なるパrameter値間で情報の伝達を可能にすること。
• 個々のパrameter値における点推定ではなく、満たし関数のグローバルな解析的近似を提供すること。
• 高速で微分可能な満たし確率の表現を提供することで、効率的なシステム設計、パrameter の学習、レアイベント解析を可能にすること。

提案手法

• 時間論理式が CTMC で満たされる確率である満たし関数が、弱い条件下で滑らか（微分可能）であることが証明され、パrameter 間での補間が可能になる。
• 滑らかさと近接するパrameter 値間の相関を事前信念として組み込むために、滑らかな関数の非パラメトリック事前分布としてガウス過程（GP）を用いる。
• 離散的なパrameter 値における独立な CTMC シミュレーションからの観測値を用いて GP を条件づけ、予測と不確実性の定量化を可能にする後方分布を得る。
• ベイジアン推論により、未観測のパrameter 値における満たし関数の後方平均と分散を計算し、関数全体の解析的近似を可能にする。
• 空間相関を活用することで、パrameter 空間の全探索を避けることができ、必要なシミュレーション回数を顕著に削減する。
• 微分可能でグローバルな満たし確率のモデルを提供するため、サンプリングや最適化（例：重要度サンプリングのガイドやシステム設計の支援）が効率的に行える。

実験結果

リサーチクエスチョン

• RQ1 パrameter の不確実性を伴う CTMC における時間論理式の満たし確率は、そのパrameter の滑らかな関数としてモデル化可能か？
• RQ2 満たし関数の滑らかさは、統計的モデルチェックにおける必要なシミュレーション回数を削減するためにどのように活用できるか？
• RQ3 ガウス過程は、限られた数のシミュレーション実行からのみでも、満たし関数の正確で効率的なベイジアン近似を提供可能か？
• RQ4 この手法は、標準的な統計的モデルチェックに比べて、正確性と計算効率の両面でどの程度優れているか？
• RQ5 このフレームワークは、不確実な確率的システムにおけるシステム設計やレアイベント解析をどのように支援できるか？

主な発見

• パrameter の不確実性を伴う CTMC における論理式の満たし関数は、弱い条件下で滑らか（微分可能）であり、パrameter 値間での補間が可能である。
• 提案された Smoothed Model Checking アプローチは、孤立したパrameter 値における少数のシミュレーション実行のみで、満たし関数の高精度なグローバル近似を達成する。
• 非自明な事例研究において、標準的な統計的モデルチェックに比べて数個のオーダーの高速化を達成しながらも、高い正確性を維持していることが実証された。
• ガウス過程の使用により、疎な観測からのパrameter 空間全体にわたる満たし確率の不確実性の定量化と解析的予測が可能である。
• 微分可能でグローバルな性質のため、システム設計、重要度サンプリング、パrameter の学習の支援に適している。
• スパース GP 近似技術と組み合わせることで、高次元パrameter 空間に対してもスケーラブルであるが、完全な GP 推論は観測数に対して立方時間の計算量を要する。