[论文解读] Graph Temporal Logic Inference for Classification and Identification

Zhe Xu, Alexander Nettekoven+2 more|arXiv (Cornell University)|Mar 22, 2019

Slime Mold and Myxomycetes Research参考文献 20被引用 6

一句话总结

本文提出了图时序逻辑（GTL），用于从图结构数据中推断可解释的空间-时间模式，实现对复杂系统行为的分类与识别。该方法提出算法以推断高覆盖率和高信息增益的GTL公式，在选择性激光烧结（SLS）增材制造、机器人集群和拉伸试样数据上进行了验证，误分类率最低达8.33%，覆盖率高达100%。

ABSTRACT

Inferring spatial-temporal properties from data is important for many complex systems, such as additive manufacturing systems, swarm robotic systems and biological networks. Such systems can often be modeled as a labeled graph where labels on the nodes and edges represent relevant measurements such as temperatures and distances. We introduce graph temporal logic (GTL) which can express properties such as "whenever a node's label is above 10, for the next 3 time units there are always at least two neighboring nodes with an edge label of at most 2 where the node labels are above 5". This paper is a first attempt to infer spatial (graph) temporal logic formulas from data for classification and identification. For classification, we infer a GTL formula that classifies two sets of graph temporal trajectories with minimal misclassification rate. For identification, we infer a GTL formula that is informative and is satisfied by the graph temporal trajectories in the dataset with high probability. The informativeness of a GTL formula is measured by the information gain with respect to given prior knowledge represented by a prior probability distribution. We implement the proposed approach to classify the graph patterns of tensile specimens built from selective laser sintering (SLS) process with varying strengths, and to identify informative spatial-temporal patterns from experimental data of the SLS cooldown process and simulation data of a swarm of robots.

研究动机与目标

• 开发一种形式化方法，用于表达标记图中的空间-时间属性，例如选择性激光烧结（SLS）工艺中的温度和距离模式。
• 解决从数据中推断空间-时间逻辑公式的空白，特别是针对分类与识别任务。
• 构建一个框架，生成具有高覆盖率和最小误分类率的可解释、高信息量的GTL公式。
• 在联网系统中，利用推断出的GTL规范实现验证与控制器综合。

提出的方法

• 引入带自由参数的参数化图时序逻辑（pGTL），其谓词与算子中包含可变参数，经实例化后形成GTL公式。
• 提出两种算法：一种用于分类任务的GTL公式推断（最小化误分类率），另一种用于识别任务（最大化相对于先验知识的信息增益）。
• 采用信息增益作为公式信息量的度量，比较推断公式概率与先验分布之间的差异。
• 使用覆盖率与误分类率作为评估指标，验证公式与数据的一致性。
• 采用两阶段优化流程：首先从数据中生成候选公式模板；其次通过约束优化调整参数，以最大化信息增益或最小化误分类率。
• 在选择性激光烧结（SLS）工艺、拉伸试样和机器人集群的实测与仿真数据上验证结果，采用独立测试集进行评估。

实验结果

研究问题

• RQ1 能否使用一种能捕捉空间与时间依赖关系的形式逻辑，有效建模图结构的时间序列数据？
• RQ2 如何从数据中自动推断GTL公式，以实现对不同系统行为的分类，且误分类率最低？
• RQ3 在已有知识背景下，何种标准可量化GTL公式的信息量？
• RQ4 推断出的GTL公式能否在未见数据上实现高覆盖率与低误差？
• RQ5 与重言式或平凡逻辑陈述相比，GTL公式在可解释性与信息含量方面表现如何？

主要发现

• 在不同强度的拉伸试样测试集中，分类方法的节点误分类率仅为8.33%，表现出高精度。
• 在SLS冷却过程中，识别出的GTL公式 φ*_{θ*,2}^{I*} 在独立测试集的16条轨迹上实现了100%覆盖率，平均信息增益为0.1563。
• 在机器人集群仿真中，识别出的公式 φ*_{θ*,3}^{I*} 实现了100%覆盖率，平均信息增益为0.1，优于平凡或重言式替代方案。
• 识别方法成功从实验与仿真数据中提取出非平凡、高信息量的GTL公式，所有验证公式在独立测试集上均达到100%覆盖率。
• 所提框架通过信息增益度量，将有信息量的公式与重言式区分开来，确保推断出的逻辑反映实际系统模式，而非普遍真理。
• 结果表明，GTL推断能够实现对复杂联网系统的可解释、数学严谨且可泛化的规范挖掘。