[논문 리뷰] Distribution-based Bisimulation and Bisimulation Metric in Probabilistic Automata

Yuan Feng, Lei Song외 1명|arXiv (Cornell University)|2015. 12. 16.

Formal Methods in Verification참고 문헌 5인용 수 4

한 줄 요약

이 논문은 세갈라의 확률적 오토마타에 대해 라빈의 언어 등가성과 상태 기반 바이시밀라리티를 하나의 더 넓은 관계로 통합하는 새로운 분포 기반 바이시밀라리티를 제안한다. 이는 확률 분포 간의 더 넓고 더 강건한 관계를 제공한다. 결정 가능성과 복잡도 한계를 확립하고, 작은 확률 변화에 대한 민감도를 다루기 위해 바이시밀라리티 메트릭을 제안하여 확률적 시스템에서 등가성과 메트릭 추론을 위한 통합 프레임워크를 제공한다.

ABSTRACT

Probabilistic automata were introduced by Rabin in 1963 as language acceptors. Two automata are equivalent if and only if they accept each word with the same probability. On the other side, in the process algebra community, probabilistic automata were re-proposed by Segala in 1995 which are more general than Rabin's automata. Bisimulations have been proposed for Segala's automata to characterize the equivalence between them. So far the two notions of equivalences and their characteristics have been studied mostly independently. In this paper, we consider Segala's automata, and propose a novel notion of distribution-based bisimulation by joining the existing equivalence and bisimilarities. We demonstrate the utility of our definition by studying distribution-based bisimulation metrics, which gives rise to a robust notion of equivalence for Rabin's automata. We compare our notions of bisimulation to some existing distribution-based bisimulations and discuss their compositionality and relations to trace equivalence. Finally, we show the decidability and complexity of all relations.

연구 동기 및 목표

• Rabin의 언어 등가성과 세갈라의 상태 기반 바이시밀라리티를 분포 기반 프레임워크를 통해 하나의 틀로 통합한다.
• 라빈의 모델과 세갈라의 모델 양쪽에 적용 가능한 더 넓은, 더 강건한 바이시밀라리티 개념을 정의한다.
• 작은 확률 변동에 대한 행동 유사도를 측정하는 분포 기반 바이시밀라리티 메트릭을 도입한다.
• 할인 없음과 할인 있는 경우에 대해 근사 바이시밀라리티를 결정하는 데 필요한 복잡도를 분석한다.
• 새로운 바이시밀라리티가 추적 등가성과 기존의 분포 기반 관계와의 관계 및 구성성에 대해 탐색한다.

제안 방법

• Rabin의 등가성과 세갈라의 상태 바이시밀라리티를 일반화하는 확률 분포 간의 새로운 강력한 분포 기반 바이시밀라리티를 정의한다.
• 할인 파라미터 γ를 사용하여 두 분포 간 행동 거리 측정을 위한 바이시밀라리티 메트릭을 구성한다.
• 근사 바이시밀라리티 결정 문제의 난이도를 증명하기 위해 최대 클리크 문제에서의 축소를 수행한다.
• 그래프 문제를 확률 전이 시스템으로 인코딩하기 위해 표준 반응형 확률적 오토마타 구축을 사용한다.
• δ_r ∼ε δ_s 가 성립함과 동시에 ε ≥ γ^{n+1} · (k/λ) 이라는 조건이 성립함을 증명한다. 이는 바이시밀라리티 임계값과 최대 클리크 크기 k 사이의 관계를 나타낸다.
• ε-바이시밀라리티의 결정 가능성을 확립하고, 기존의 결정 문제로의 축소를 통해 복잡도를 분석한다.

실험 결과

연구 질문

• RQ1 라빈의 언어 등가성과 세갈라의 상태 바이시밀라리티는 어떻게 하나의 분포 기반 프레임워크 아래에서 통합될 수 있는가?
• RQ2 확률적 오토마타에서 근사 분포 기반 바이시밀라리티를 결정하는 데 필요한 계산 복잡도는 무엇인가?
• RQ3 제안된 바이시밀라리티 메트릭은 전이 확률의 작은 변화에 대해 어떻게 민감도를 다루는가?
• RQ4 새로운 분포 기반 바이시밀라리티와 추적 등가성 간의 관계는 무엇인가?
• RQ5 새로운 바이시밀라리티를 활용하여 상태 공간 축소를 통해 확률적 모델 체킹을 가속화할 수 있는가?

주요 결과

• 제안된 분포 기반 바이시밀라리티는 결정적 입력어 시스템에서 라빈의 등가성과 일치한다. 이는 라빈의 모델에 대해 정확성을 검증한다.
• 기존의 분포 기반 바이시밀라리티 [18, 19]보다 엄밀히 더 넓은 관계를 형성하므로, 더 유연하고 추상화에 적합하다.
• 바이시밀라리티 메트릭은 강건하다: 전이 확률의 작은 변화가 유사도를 파괴하지 않으며, 이는 할인 파라미터 γ로 측정된다.
• ε-바이시밀라리티의 결정 가능성이 입증되었고, 최대 클리크 문제에서의 축소를 통해 NP-난이도임을 입증하였다.
• ε-바이시밀라리티 δ_r ∼ε δ_s 의 임계값은 정확히 ε = γ^{n+1} · (k/λ) 이며, 여기서 k는 기저 그래프의 최대 클리크 크기이다.
• 이 구성은 그래프의 최대 클리크 크기를 분포 두 개의 바이시밀라리티 임계값으로부터 인코딩하고 복원할 수 있음을 보여준다.