[论文解读] The Complexity of Learning Linear Temporal Formulas from Examples

Nathanaël Fijalkow, Guillaume Lagarde|arXiv (Cornell University)|Feb 1, 2021

Machine Learning and Algorithms参考文献 7被引用 5

一句话总结

本文研究了从正例和负例中学习线性时序逻辑（LTL）公式的计算复杂性。它证明了多个LTL片段的学习问题为NP完全，并提供了紧致的近似界：对于LTL(X,∧)存在一个log(n)-近似算法，且该近似界无法改进；对于LTL(F,∧)存在一个n-近似算法，且在多项式时间内无法实现更优的近似。

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.

研究动机与目标

• 理解从被动示例中学习LTL公式的计算复杂性，目标是找到一个能将正例与负例分离的最小公式。
• 识别哪些LTL片段允许高效的算法，哪些是计算上困难的。
• 为特定片段中的学习问题建立紧致的近似界，尤其关注与合取结合的下一时刻（X）和最终（F）算符。
• 探索多项式时间近似在LTL学习中的极限，特别是在不可近似性结果的背景下。
• 通过对偶性将结果推广到其他片段，如LTL(G,∨)和LTL(X,∨)，利用逻辑对偶性。

提出的方法

• 作者将LTL学习问题视为一个判定问题：给定正例和负例，判断是否存在一个大小不超过k的公式能将它们分离。
• 通过从已知的NP完全问题进行归约，证明了三个关键片段（LTL(X,∧)、LTL(F,∧)和LTL(F,X,∧,∨)）的NP完全性。
• 针对LTL(X,∧)，设计了一个多项式时间的log(n)-近似算法，并通过匹配的不可近似性结果证明其最优性。
• 针对LTL(F,∧)，提出一个n-近似算法，并证明除非P=NP，否则任何多项式时间算法都无法实现优于(1−o(1))·log(n)的近似。
• 采用对偶化技术：应用逻辑对偶性（如F↔G、X↔X、∧↔∨）将结果推广到对偶片段，如LTL(G,∨)。
• 通过基于词结构和公式语义的归纳推理，证明关于公式满足性和扩展下闭包的性质。

实验结果

研究问题

• RQ1 从示例中学习LTL(X,∧)公式的问题是否为NP完全？
• RQ2 是否存在多项式时间算法，能实现优于log(n)-近似的LTL(X,∧)公式学习？
• RQ3 在多项式时间内，学习LTL(F,∧)公式所能达到的最佳近似比是多少？
• RQ4 LTL(F,X,∧,∨)的NP完全性结果是否可推广到完整的LTL逻辑？
• RQ5 是否存在针对LTL(F,∧)公式的多项式时间O(log n)-近似算法？

主要发现

• LTL(X,∧)的学习问题为NP完全，且存在一个多项式时间的log(n)-近似算法，该算法在常数因子范围内最优。
• 对于LTL(F,∧)，学习问题为NP完全，且除非P=NP，否则任何多项式时间算法都无法实现优于(1−o(1))·log(n)的近似。
• LTL(F,∧)存在一个n-近似算法，且该界在假设不存在更优多项式时间近似算法的前提下是紧致的。
• LTL(X,∧)和LTL(F,∧)的结果可通过逻辑对偶性推广到其对偶片段，如LTL(G,∨)和LTL(X,∨)。
• LTL(F,X,∧,∨)的NP完全性不适用于完整LTL，因为当引入全局（G）算符时，该归约会失效。
• 本文表明，从示例中学习最小LTL公式本质上是困难的，即使在受限片段中也存在强烈的不可近似性结果。