[논문 리뷰] The Complexity of Learning Linear Temporal Formulas from Examples

Nathanaël Fijalkow, Guillaume Lagarde|arXiv (Cornell University)|2021. 02. 01.

Machine Learning and Algorithms참고 문헌 7인용 수 5

한 줄 요약

이 논문은 긍정적 및 부정적 단어 예제로부터 선형 시간 논리(LTL) 공식을 학습하는 데 필요한 계산 복잡도를 조사한다. 몇몇 LTL 분할에 대해 NP-완전성을 입증하고, 날카운 approximation 한계를 제시한다: LTL(X,∧)에 대해 log(n)-근사 알고리즘과 이를 초월할 수 없는 inapproximability 결과를 제공하며, LTL(F,∧)에 대해선 n-근사 알고리즘과 다항시간 내에서 더 나은 근사가 불가능함을 입증한다.

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.

연구 동기 및 목표

• 패스티브 예제에서 LTL 공식 학습의 계산 복잡도를 이해하기 위해, 긍정적 단어와 부정적 단어를 분리할 수 있는 최소 크기의 공식을 찾는 것을 목표로 한다.
• 효율적인 학습 알고리즘을 허용하는 LTL의 어떤 분할들이 있고, 어떤 것은 계산적으로 어려운지 식별한다.
• 특히 다음(X) 및 최종적으로(F) 연산자와 논리곱(∧)을 조합한 특정 분할에서 학습에 대해 날카운 근사 한계를 설정한다.
• 다항시간 근사의 한계를 탐색하며, 특히 inapproximability 결과의 맥락에서 LTL 학습의 가능성을 조사한다.
• 논리적 이중성(duality)을 활용하여 LTL(G,∨) 및 LTL(X,∨)와 같은 다른 분할로 결과를 확장한다.

제안 방법

• 저자들은 LTL 학습 문제를 결정 문제로 분석한다: 주어진 긍정적 및 부정적 단어가 있을 때, 크기가 k 이하인 공식이 이들을 분리하는지 여부를 판단한다.
• 기존의 알려진 NP-완전 문제로부터의 감소를 통해 세 가지 핵심 분할인 LTL(X,∧), LTL(F,∧), LTL(F,X,∧,∨)에 대해 NP-완전성을 증명한다.
• LTL(X,∧)에 대해선 다항시간 내의 log(n)-근사 알고리즘을 설계하고, 이를 초월할 수 없는 inapproximability 결과를 통해 최적성(optimality)을 입증한다.
• LTL(F,∧)에 대해선 n-근사 알고리즘을 제시하고, P=NP가 아닌 한 다항시간 알고리즘이 (1−o(1))·log(n) 이하의 근사도를 달성할 수 없다는 것을 보인다.
• 이중화 기법(dualization technique)을 사용한다: 논리적 이중성(F↔G, X↔X, ∧↔∨)을 적용하여 LTL(G,∨) 및 LTL(X,∨)와 같은 이중 분할로 결과를 확장한다.
• 단어의 구조와 공식의 의미론에 대한 귀납적 추론을 통해 공식의 만족성 및 확장에 대한 닫힘 성질에 대한 성질을 증명한다.

실험 결과

연구 질문

• RQ1 LTL(X,∧) 분할에 대해, 예제로부터 LTL 공식을 학습하는 문제는 NP-완전인가?
• RQ2 LTL(X,∧) 공식 학습에 대해 다항시간 알고리즘이 log(n)-근사 이하의 성능을 달성할 수 있는가?
• RQ3 LTL(F,∧) 공식 학습에 대해 다항시간 내에서 달성 가능한 최선의 근사 비율은 무엇인가?
• RQ4 LTL(F,X,∧,∨)에 대한 NP-완전성 결과는 전체 LTL 논리로 확장되는가?
• RQ5 LTL(F,∧) 공식 학습에 대해 다항시간 O(log n)-근사 알고리즘이 존재하는가?

주요 결과

• LTL(X,∧)에 대한 학습 문제는 NP-완전하며, 상수 요소를 제외한 최적의 다항시간 log(n)-근사 알고리즘이 존재한다.
• LTL(F,∧)에 대한 학습 문제 역시 NP-완전이며, P=NP가 아닌 한 다항시간 알고리즘이 (1−o(1))·log(n) 이하의 근사도를 달성할 수 없다.
• LTL(F,∧)에 대해선 n-근사 알고리즘이 존재하며, 이는 다항시간 내에서 더 나은 근사가 불가능한 상한임을 입증한다.
• LTL(X,∧) 및 LTL(F,∧)에 대한 결과는 논리적 이중성을 통해 LTL(G,∨) 및 LTL(X,∨)와 같은 이중 분할로 확장된다.
• LTL(F,X,∧,∨)의 NP-완전성 결과는 전체 LTL로 확장되지 않으며, 전역(G) 연산자를 포함할 경우 감소가 실패하기 때문이다.
• 이 논문은 예제로부터 최소 LTL 공식을 학습하는 것이 본질적으로 어려우며, 제한된 분할조차도 강력한 inapproximability 결과를 가짐을 입증한다.