ترجمه فارسی مقاله یادگیری درخت‌های تصمیم‌گیری منطق زمانی سیگنال بهینه برای طبقه‌بندی: یک فرمول‌بندی MILP با حداکثر جریان

چکیده

This paper presents a novel framework for inferring timed temporal logic properties from data. The dataset comprises pairs of finite-time system traces and corresponding labels, denoting whether the traces demonstrate specific desired behaviors, e.g. whether the ship follows a safe route or not. Our proposed approach leverages decision-tree-based methods to infer Signal Temporal Logic classifiers using primitive formulae. We formulate the inference process as a mixed integer linear programming optimization problem, recursively generating constraints to determine both data classification and tree structure. Applying a max-flow algorithm on the resultant tree transforms the problem into a global optimization challenge, leading to improved classification rates compared to prior methodologies. Moreover, we introduce a technique to reduce the number of constraints by exploiting the symmetry inherent in STL primitives, which enhances the algorithm’s time performance and interpretability. To assess our algorithm’s effectiveness and classification performance, we conduct three case studies involving two-class, multi-class, and complex formula classification scenarios.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله یک چارچوب جدید برای استنباط خصوصیات منطق زمانی به موقع از داده ها ارائه شده است.این مجموعه داده شامل جفت آثار سیستم محدود و برچسب های مربوطه است ، و این نشان می دهد که آیا این آثار رفتارهای خاص مورد نظر را نشان می دهند ، به عنوان مثال.این که کشتی از یک مسیر امن پیروی کند یا نه.رویکرد پیشنهادی ما از روشهای مبتنی بر تصمیم درخت برای استنباط طبقه بندی کننده های منطق زمانی با استفاده از فرمولهای بدوی استفاده می کند.ما فرآیند استنتاج را به عنوان یک مشکل بهینه سازی برنامه نویسی خطی عدد صحیح مخلوط می کنیم ، به صورت بازگشتی محدودیت هایی را برای تعیین طبقه بندی داده ها و ساختار درخت ایجاد می کنیم.استفاده از یک الگوریتم حداکثر جریان بر روی درخت حاصل ، مشکل را به یک چالش بهینه سازی جهانی تبدیل می کند و منجر به بهبود نرخ طبقه بندی در مقایسه با روش های قبلی می شود.علاوه بر این ، ما یک تکنیک را برای کاهش تعداد محدودیت ها با بهره برداری از تقارن ذاتی در ابتدایی STL معرفی می کنیم ، که باعث افزایش عملکرد و تفسیر زمان الگوریتم می شود.برای ارزیابی اثربخشی و عملکرد طبقه بندی الگوریتم ما ، ما سه مطالعه موردی را شامل می شویم که شامل سناریوهای طبقه بندی فرمول دو طبقه ، چند طبقه و پیچیده است.