[論文レビュー] Uncertainty-Aware Signal Temporal logic.

Nasim Baharisangari, Jean-Raphaël Gaglione+3 more|arXiv (Cornell University)|May 24, 2021

Semantic Web and Ontologies被引用数 1

ひとこと要約

本稿では、データの不確実性をモデル化する区間軌道を用いて、システムの挙動を分類する不確実性に配慮した信号時相論理（STL）推論手法を2つ提案する。ロバストな意味論と意思決定木を活用することで、不確実性の境界内に存在する無限個の軌道を分類可能となり、サンプリングベースのベースラインと比較して計算時間を最大4桁短縮する。

ABSTRACT

Temporal logic inference is the process of extracting formal descriptions of system behaviors from data in the form of temporal logic formulas. The existing temporal logic inference methods mostly neglect uncertainties in the data, which results in limited applicability of such methods in real-world deployments. In this paper, we first investigate the uncertainties associated with trajectories of a system and represent such uncertainties in the form of interval trajectories. We then propose two uncertainty-aware signal temporal logic (STL) inference approaches to classify the undesired behaviors and desired behaviors of a system. Instead of classifying finitely many trajectories, we classify infinitely many trajectories within the interval trajectories. In the first approach, we incorporate robust semantics of STL formulas with respect to an interval trajectory to quantify the margin at which an STL formula is satisfied or violated by the interval trajectory. The second approach relies on the first learning algorithm and exploits the decision tree to infer STL formulas to classify behaviors of a given system. The proposed approaches also work for non-separable data by optimizing the worst-case robustness in inferring an STL formula. Finally, we evaluate the performance of the proposed algorithms in two case studies, where the proposed algorithms show reductions in the computation time by up to four orders of magnitude in comparison with the sampling-based baseline algorithms (for a dataset with 800 sampled trajectories in total).

研究の動機と目的

• 現実世界のシステム分析においてデータの不確実性を無視する既存の時相論理推論手法の限界を解消すること。
• 観測データにおける有界な不確実性を表現するため、システムの軌道を区間軌道でモデル化すること。
• 不確実性の境界内に存在する無限個の軌道に対して、望ましいおよび望ましくないシステムの挙動を分類する推論手法を開発すること。
• データが分離不能であっても分類のロバスト性を保証するため、最も悪い場合のロバスト性を最適化すること。
• サンプリングベースのベースライン手法と比較して、顕著な計算効率の向上を達成すること。

提案手法

• 観測データの周囲に不確実性の境界を符号化するため、システムの軌道を区間軌道として表現すること。
• 区間軌道に対するSTL式のロバスト性の意味論を定義し、満たし度や違反度を定量化すること。
• ロバスト性の意味論を活用して、区間軌道データに基づきSTL式を推論する学習アルゴリズムを定式化すること。
• 候補となるSTL式のロバスト性スコアを用いて、意思決定木を推論パイプラインに統合し、挙動を分類すること。
• 式の推論中に最も悪い場合のロバスト性を最適化することで、分離不能なデータ分布に対処すること。
• スケーラビリティとパフォーマンスの評価を目的として、実世界の事例に本フレームワークを適用すること。

実験結果

リサーチクエスチョン

• RQ1 システムの軌道における不確実性を形式的にモデル化することで、時相論理推論の信頼性をどのように向上させられるか？
• RQ2 STL式のロバスト性の意味論を、挙動分類に応用するため、区間軌道へどの程度まで拡張可能か？
• RQ3 意思決定木ベースの学習は、不確実性下でのSTL式推論のスケーラビリティと正確性をどのように向上させるか？
• RQ4 計算時間とロバスト性の観点から、本手法はサンプリングベースのベースラインと比較してどの程度の性能を示すか？
• RQ5 最も悪い場合のロバスト性最適化を用いることで、データが分離不能な状況でも、本手法は効果的に挙動を分類できるか？

主な発見

• 提案された不確実性に配慮したSTL推論手法は、サンプリングベースのベースラインアルゴリズムと比較して、最大4桁の計算時間短縮を達成する。
• 区間軌道の使用により、不確実性の境界内に存在する無限個の軌道の分類が可能となり、有限サンプルに比べて一般化性能が向上する。
• 区間軌道に対するロバスト性の意味論は、式の満たし度を定量的に測定可能であり、分類の信頼性を向上させる。
• ロバスト性に基づく学習と意思決定木の統合により、スケーラビリティが向上し、複雑で不確実なデータに対しても効果的な推論が可能になる。
• 最も悪い場合のロバスト性を最適化することで、分離不能なデータ分布に対しても分類性能を維持できる。