[論文レビュー] The Complexity of Learning Linear Temporal Formulas from Examples

Nathanaël Fijalkow, Guillaume Lagarde|arXiv (Cornell University)|Feb 1, 2021

Machine Learning and Algorithms参考文献 7被引用数 5

ひとこと要約

この論文は、肯定的および否定的な語の例から線形時相論理（LTL）式を学習する際の計算複雑性を調査する。いくつかのLTL断片についてNP完全性を確立し、タイトな近似バウンドを提供する：LTL(X,∧)に対しては、一致する非近似可能性を伴うlog(n)-近似アルゴリズムを、LTL(F,∧)に対しては、より良い多項式時間近似が不可能なn-近似を提示する。

ABSTRACT

In this paper we initiate the study of the computational complexity of learning linear temporal logic (LTL) formulas from examples. We construct approximation algorithms for fragments of LTL and prove hardness results; in particular we obtain tight bounds for approximation of the fragment containing only the next operator and conjunctions, and prove NP-completeness results for many fragments.

研究の動機と目的

• 被動的な例からLTL式を学習する際の計算複雑性を理解すること。その目的は、正の語と負の語を分離する最小の式を見つけることである。
• どのLTL断片が効率的な学習アルゴリズムを許容し、どの断片が計算的に困難であるかを特定すること。
• 特に次（X）と到達可能（F）の演算子と論理積（∧）を組み合わせた特定の断片における、学習のタイトな近似バウンドを確立すること。
• 多項式時間近似の限界を、特に非近似可能性の結果の文脈で探ること。
• 論理的双対性を用いて、LTL(G,∨) や LTL(X,∨) のような他の断片へ結果を拡張すること。

提案手法

• 著者たちは、LTL学習問題を決定問題として分析する：与えられた肯定的および否定的な語に対して、サイズがk以下の式がそれらを分離できるかを判定する。
• 既知のNP完全問題からの還元を用いて、3つの主要な断片であるLTL(X,∧)、LTL(F,∧)、LTL(F,X,∧,∨) についてNP完全性を証明する。
• LTL(X,∧) に対しては、多項式時間log(n)-近似アルゴリズムを設計し、一致する非近似可能性結果により、これが定数要因の意味で最適であることを証明する。
• LTL(F,∧) に対しては、n-近似アルゴリズムを提示し、P=NPでない限り、より良い(1−o(1))·log(n)近似が多項式時間で達成できないことを示す。
• 双対化技術を用いる：論理的双対性（例：F↔G、X↔X、∧↔∨）を適用して、LTL(G,∨) や LTL(X,∨) のような双対断片への結果を拡張する。
• 語の構造と式の意味論に基づく帰納的推論を用いて、式の満たしと拡張に関する閉包性に関する性質を証明する。

実験結果

リサーチクエスチョン

• RQ1 LTL(X,∧)断片について、例からのLTL式学習問題はNP完全であるか？
• RQ2 LTL(X,∧)式の学習において、多項式時間アルゴリズムがlog(n)未満の近似を達成できるか？
• RQ3 LTL(F,∧)式の学習において、多項式時間で達成可能な最良の近似比は何か？
• RQ4 LTL(F,X,∧,∨) のNP完全性結果は、完全なLTL論理へ拡張可能か？
• RQ5 LTL(F,∧)式の学習に対して、多項式時間O(log n)-近似アルゴリズムは存在するか？

主な発見

• LTL(X,∧)の学習問題はNP完全であり、定数要因の意味で最適な多項式時間log(n)-近似アルゴリズムが存在する。
• LTL(F,∧)の学習問題もNP完全であり、P=NPでない限り、(1−o(1))·log(n)未満の近似は多項式時間で達成できない。
• LTL(F,∧)に対してn-近似アルゴリズムが存在し、より良い多項式時間近似が存在しないという仮定のもとで、このバウンドはタイトである。
• LTL(X,∧)およびLTL(F,∧)の結果は、論理的双対性を用いてLTL(G,∨) や LTL(X,∨) のような双対断片へ拡張可能である。
• LTL(F,X,∧,∨)のNP完全性は、グローバル（G）演算子が含まれる場合、還元が失敗するため、完全LTLへは拡張されない。
• この論文は、例からの最小LTL式の学習が根本的に困難であることを確立し、制限付き断片でさえも強い非近似可能性結果を持つことを示している。