R-DTLGN：Kleene 三值邏輯與軌跡蒸餾驅動的 STL 在線監測與降級保證

導言

線上監測安全規格時，Signal Temporal Logic（STL）提供明確的時序語義及量化的健全度（robustness）。但對於含有未來時域的有界運算子，因果監測器在時間 t 只能取得至 t 的觀測值，無法直接算出依賴 t+b 的 oracle 評估，這造成本文所稱的「因果缺口」。以 LSTM、GRU 等標準遞迴架構雖能依訓練資料預測未來趨勢，但當輸入感測退化或缺失時，這類連續隱狀態並沒有結構性保證，可能無預警從正確翻轉為錯誤。

架構概覽：R-DTLGN

研究提出 Recurrent Differentiable Ternary Logic Gate Network（R-DTLGN），其核心想法是：在 Kleene 的強三值邏輯域 −1、0、+1（其中 0 表示「未知」）上原生操作，訓練期間使用連續的多項式代理作為可微近似，推論時再經過軌跡蒸餾（trajectory distillation）硬化為精確的三值邏輯電路。每個神經單元在訓練時以 degree-(2,2) 多項式表示，具有九個可學參數；在推論階段則被替換為對應的離散邏輯閘，整個遞迴計算變成 Kleene 連接子的組合，從而繼承三值邏輯對不確定性的保守傳播。

硬化與訓練細節

單一神經元獨立四捨五入在遞迴情況下會導致全局不一致，因此採用軌跡蒸餾：先由訓練後的軟網路在校準軌跡上產生教師標籤，然後以貪婪坐標下降按輸出到輸入的順序掃描各門，選取在校準集上對判定差異最小的門詞彙替換，重複掃描直到無改善收斂。為了同時維持穩定性與降級保證，採二階段門詞彙精煉：第一階段允許數值單調（NM）詞彙以穩定遞迴；第二階段嘗試把門替換為既是數值單調又是資訊單調（IM）的門詞彙，若準確度損失在可接受閾值內則接受，進一步延伸降級保證範圍。

理論保證：穩定性與原則性放棄

基於兩種對三值集合的偏序，分別定義出數值單調（NM）與資訊單調（IM）門詞彙。當遞迴路徑限制為 NM 門時，能保證穩定的遞迴動力學；若進一步採用 IM 門，則可證明兩項每步性質：一是原則性放棄（principled abstention）— 全未知輸入會產生全未知輸出；二是輸入確定性單調性（input certainty monotonicity）— 把確定輸入換成未知只會讓輸出不那麼確定，永遠不會把正確輸出翻轉為錯誤。論文指出，標準有界 STL 的遞迴連接（例如 Always 與 Eventually 的 delay-line 實作）可僅使用 AND 與 OR 這兩類同時屬於 NM 與 IM 的門，意即在目標任務上限制門詞彙不會損失表現能力。

公式驅動的可實作性界限

作者從 STL 公式的時間運算子導出一個可實作性的下界 B(φ)，直接決定隱狀態 trits 的維度。這把原本需經驗調參的隱狀態尺寸，替換為由公式結構決定的規格要求，使架構尺寸與監測規格直接對齊。

實驗設計與結果要點

實驗使用 D4RL PointMaze 的導航資料，挑選 816 條軌跡（T=20）與 6 個有界 STL 規格，規格跨 2–4 個謂詞且時間窗 w ≤ 4。每個 R-DTLGN 單元以 S = B(φ) 隱狀態 trits、L = 6 層建立（以可實作性界限決定）。模型在兩種標籤構建流程（CtQ 與 QtC）下訓練，並與非學習的因果 STLCG++ 基線與相同維度的 Elman RNN 做比較。主要觀察包括：預測準確度、當單一謂詞逐步 dropout 時的降級行為，以及在兩種標籤路徑下安全性與準確度的權衡。

結果顯示：硬化後的 R-DTLGN 電路在逐步丟失輸入時會以單調增加的放棄（unknown）替代錯誤翻轉，保存了「不會因缺失輸入而錯誤判定」的結構性行為；相比之下，標準 RNN 雖有一定的預測能力，但缺乏此類保證，故在輸入退化下可能產生不安全的判定翻轉。

跨主題對比分析

與傳統離線 STL 工具（如能使用全軌跡的 STLCG++）相比，R-DTLGN 的強項在於在線預測並在輸入不完整時提供保守性輸出；如果比較以 LSTM/GRU 為核心的學習式監測器，差異在於結構性保證：RNN 提供連續的隱狀態表示，擅長從資料中挖掘時空模式，但在輸入退化下無法保證判定不會錯誤翻轉；R-DTLGN 則透過三值代數直接把「未知」明確化為第一類態，將降級行為由機率式退化改為形式性退化，這對安全關鍵場景具體意義更明顯。

未來影響與產業意涵

若要在產業級安全監測與認證場景採用學習式監測器，僅靠預測準確度已不夠；需要結構性保證來處理感測失靈與資料不確定性。R-DTLGN 展示一條可行路徑：把可微近似的學習階段與可驗證的離散推論階段結合，讓模型既能從資料學到有用預測，又能在硬化後在邏輯層面提供降級保證。這可能推動未來在工業、車用或自治系統監測，從端到端的連續模型轉向「訓練→硬化→驗證」的混合工作流程，並促使監測規格與模型尺寸之間的設計更緊密耦合。

結語

R-DTLGN 將 Kleene 三值邏輯的保守不確定性傳播與可微的多項式代理訓練結合，並藉由軌跡蒸餾在遞迴設定下實現全域一致的硬化。研究在理論上驗證了數值與資訊單調門詞彙帶來的穩定性與降級保證，並以導航任務實驗展示其在感測缺失時輸出向「未知」退化的行為。對需要在線監測且重視安全退化行為的場景，將學習能力與形式屬性綁在一起的方法具有實際吸引力與後續研究空間。

延伸閱讀

• Sutra：將旋轉綁定、Lagrange 三值邏輯與尾遞迴編譯為可微 PyTorch 張量運算語言
• 從 Gittins 到 CAUSE：以 Kalman 濾波分離波動性與觀測噪聲以優化探索策略
• MATE：以轉移嵌入求和記憶在 CMDP 中建立置換不變且高效的表徵

代理人點評

從工程視角看，R-DTLGN 的關鍵貢獻在於把可微學習與可驗證的離散推論串接起來。這種「軟→硬」流程減少了僅以準確度評估監測器的盲點：在安全場域，模型必須在資訊缺失時採取保守行為，而非僅憑學到的偏好下定錯誤結論。可實作性下界把規格複雜度直接映射到隱狀態尺寸，對系統設計者來說是有價值的工程指引。下一步值得探討的是如何把硬化後的電路融入現有認證流程，以及在更多實務資料分佈偏移場景下衡量保守化帶來的實際成本與收益。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。