[논문 리뷰] Uncertainty-Aware Signal Temporal logic.

Nasim Baharisangari, Jean-Raphaël Gaglione외 3명|arXiv (Cornell University)|2021. 05. 24.

Semantic Web and Ontologies인용 수 1

한 줄 요약

이 논문은 데이터 불확실성을 모델링하기 위해 간격 궤적을 사용하는 두 가지 불확실성 인식 신호 시간논리(STL) 추론 방법을 제안한다. 강력한 의미론과 결정트리 기반 접근을 통해 불확실성 범위 내에서 무한한 수의 궤적을 분류하며, 이로 인해 샘플링 기반 기준 대비 최대 4개 지수 정도의 계산 시간 단축을 달성한다.

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).

연구 동기 및 목표

• 실세계 시스템 분석에서 데이터 불확실성을 忽시하는 기존 시간논리 추론 방법의 한계를 해결한다.
• 관측된 데이터의 유한한 불확실성을 표현하기 위해 간격 궤적을 사용하여 시스템 궤적의 불확실성을 모델링한다.
• 불확실성 범위 내에서 무한한 수의 궤적에 걸쳐 원하는 행동과 원하지 않는 행동을 모두 분류할 수 있는 추론 방법을 개발한다.
• 데이터가 분리되지 않을 경우에도 분류의 강건성을 확보하기 위해 최악의 경우 강건성 최적화를 수행한다.
• 샘플링 기반 기준 접근 방식 대비 뚜렷한 계산 효율성 향상을 달성한다.

제안 방법

• 관측된 데이터 주위의 불확실성 범위를 표현하기 위해 시스템 궤적을 간격 궤적으로 표현한다.
• 간격 궤적에 대한 STL 공식의 강건성 의미론을 정의하여 만족도 또는 위반 정도를 정량화한다.
• 간격 궤적 데이터 기반으로 STL 공식을 추론하기 위한 학습 알고리즘을 제안한다.
• 후보 STL 공식의 강건성 점수를 기반으로 행동을 분류하기 위해 결합 트리를 추론 파이프라인에 통합한다.
• 데이터 분포가 분리되지 않을 경우를 대비해 공식 추론 과정에서 최악의 경우 강건성 최적화를 수행한다.
• 실세계 사례 연구에 제안된 프레임워크를 적용하여 확장성과 성능을 평가한다.

실험 결과

연구 질문

• RQ1 시스템 궤적의 불확실성을 어떻게 공식적으로 모델링할 수 있을까? 이를 통해 시간논리 추론의 신뢰성을 향상시킬 수 있는가?
• RQ2 STL 공식의 강건성 의미론은 행동 분류에 있어 간격 궤적까지 얼마나 잘 확장될 수 있는가?
• RQ3 결정트리 기반 학습은 불확실성 하에서 STL 공식 추론의 확장성과 정확도를 어떻게 향상시킬 수 있는가?
• RQ4 계산 시간과 강건성 측면에서, 제안된 방법은 샘플링 기반 기준 대비 어떻게 성능을 발휘하는가?
• RQ5 최악의 경우 강건성 최적화를 통해 데이터가 분리되지 않을 경우에도 행동을 효과적으로 분류할 수 있는가?

주요 결과

• 제안된 불확실성 인식 STL 추론 방법은 샘플링 기반 기준 알고리즘 대비 최대 4개 지수 정도의 계산 시간 단축을 달성한다.
• 간격 궤적의 사용은 불확실성 범위 내에서 무한한 수의 궤적을 분류할 수 있게 하여, 유한한 표본에 비해 일반화 성능을 향상시킨다.
• 간격 궤적에 대한 강건성 의미론은 공식 만족도를 정량적으로 측정할 수 있게 하여 분류의 신뢰도를 향상시킨다.
• 강건성 기반 학습과 결합 트리의 통합은 확장성을 향상시키고, 복잡한 불확실한 데이터에 대한 효과적인 추론을 가능하게 한다.
• 최악의 경우 강건성 최적화를 통해 데이터 분포가 분리되지 않을 경우에도 분류 성능를 유지할 수 있다.