Learning-Based Approaches to Predictive Monitoring with Conformal Statistical Guarantees

要約

このチュートリアルでは、予測モニタリング（PM：Predictive Monitoring）の効率的な手法に焦点を当てます。実行時にモデル検査を行うことは、PM問題に対する正確な解決策を提供しますが、一般的に計算コストがかかります。このスケーラビリティの問題に対処するため、最近、機械学習に基づく軽量なアプローチがいくつか提案されている。これらのアプローチは、高価なモデル検査器の近似的かつ効率的なサロゲート（深層学習）モデルを学習することで機能する。特にセーフティクリティカルなアプリケーションでは、信頼性の高い予測を保証することが重要な課題として残されている。我々は、時間論理仕様のCPS検証のための学習ベースの近似を提案した最初の1つであり、厳密な不確実性定量化のために共形予測（CP）を適用したこの文脈では最初の1つである、予測モニタリングに関する最近の研究をレビューする。これらのCPベースの不確かさ推定器は、学習モデルの汎化誤差に関する統計的保証を提供し、拒否されるべき信頼性の低い予測を決定するために使用することができます。このチュートリアルでは、システムダイナミクス（決定論的、非決定論的、確率論的）、状態観測可能性、要求充足のセマンティクス（ブールか定量的）の3つの主要な次元によって決定されるいくつかのバリエーションについて詳細に検討しながら、CPSの予測モニタリングに対する我々のアプローチをまとめた一般的で包括的なフレームワークを紹介します。

要約(オリジナル)

This tutorial focuses on efficient methods to predictive monitoring (PM), the problem of detecting at runtime future violations of a given requirement from the current state of a system. While performing model checking at runtime would offer a precise solution to the PM problem, it is generally computationally expensive. To address this scalability issue, several lightweight approaches based on machine learning have recently been proposed. These approaches work by learning an approximate yet efficient surrogate (deep learning) model of the expensive model checker. A key challenge remains to ensure reliable predictions, especially in safety-critical applications. We review our recent work on predictive monitoring, one of the first to propose learning-based approximations for CPS verification of temporal logic specifications and the first in this context to apply conformal prediction (CP) for rigorous uncertainty quantification. These CP-based uncertainty estimators offer statistical guarantees regarding the generalization error of the learning model, and they can be used to determine unreliable predictions that should be rejected. In this tutorial, we present a general and comprehensive framework summarizing our approach to the predictive monitoring of CPSs, examining in detail several variants determined by three main dimensions: system dynamics (deterministic, non-deterministic, stochastic), state observability, and semantics of requirements’ satisfaction (Boolean or quantitative).

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL