[论文解读] Time-Aware Robustness of Temporal Graph Neural Networks for Link Prediction (Extended Abstract)

Sälzer, Marco, Beddar-Wiesing, Silvia|arXiv (Cornell University)|Jan 1, 2023

Formal Methods in Verification被引用 1

一句话总结

本文研究有限迹上的的一阶时序逻辑，建立语义与句法条件，使有限迹与无限迹的推理可被模糊化。证明了关键可判定片段——如 TUQL1、TUQL2_2^1 和 TUALC——在任意有限迹上仍保持 ExpSpace-完全性，但当迹被限制为有界长度时，复杂度降至 NExpTime。该研究在自动规划与运行时验证中具有应用价值。

ABSTRACT

We present a first notion of a time-aware robustness property for Temporal Graph Neural Networks (TGNN), a recently popular framework for computing functions over continuous- or discrete-time graphs, motivated by recent work on time-aware attacks on TGNN used for link prediction tasks. Furthermore, we discuss promising verification approaches for the presented or similar safety properties and possible next steps in this direction of research.

研究动机与目标

• 澄清一阶时序逻辑中关于有限迹与无限迹推理之间的关系。
• 识别使有限迹与无限迹语义等价的语义与句法条件。
• 确定一阶时序逻辑可判定片段在有限迹上的可满足性问题的计算复杂度。
• 将结果与自动规划和运行时验证中的应用相联系。
• 将“对无限性的不敏感性”与“安全性”等概念扩展至一阶时序逻辑设置。

提出的方法

• 提出语义条件（如 U+- 和 R+-公式等价性），确保有限迹与无限迹语义一致。
• 引入满足这些条件的 TUQL 公式语法，以支持形式化推理。
• 分析 TUQL1、TUQL2_2^1、TUQLm^1 与 TUALC 等片段在有限迹与 k-有界迹上的可满足性复杂度。
• 将结果应用于时序描述逻辑，证明在 k-有界迹上，带全局概念蕴含（CIs）的 TUALC 为 ExpTime-完全。
• 将发现与验证领域中既有的概念（如无偏性、预期性与安全性）相联系。
• 使用形式化逻辑技术，包括否定正则形式与迹扩展分析，推导复杂度与等价性结果。

实验结果

研究问题

• RQ1 在何种语义与句法条件下，有限迹上的公式能保持与无限迹对应公式的等价性？
• RQ2 当迹的长度被限制时，一阶时序逻辑可判定片段的可满足性复杂度如何变化？
• RQ3 能否将规划与验证中“对无限性的不敏感性”与“安全性”等概念，形式化地推广至有限迹上的一阶时序逻辑？
• RQ4 带全局 CIs 的 TUALC 在有限迹上的可满足性问题的精确复杂度为何？
• RQ5 运行时验证中的准则（如无偏性与预期性）如何与一阶时序逻辑中的有限迹语义相关联？

主要发现

• 单变量一元片段 TUQL1,푚표_̸푐 与双变量单态片段 TUQL2_2^1 在任意有限迹上为 ExpSpace-完全。
• 当迹被限制为最多 k 个时间点时，TUQL1、TUQL2_2^1 与 TUQLm^1 的可满足性问题复杂度降至 NExpTime-完全。
• 对于 U+- 与 R+- 公式，有限迹与无限迹之间的等价性得以保持，支持互换推理。
• U+R+-公式类在从有限迹到无限迹的可满足性上保持不变。
• 将 TUALC 限制于全局 CIs 时，其在 k-有界迹上为 ExpTime-完全。
• LTL(F∀) ∩ LTL(F∃) 的交集捕捉了同时满足无偏性与预期性的公式，将有限迹语义与运行时验证原则相联系。