🔢 mathematics

A Linear Temporal Logic of Frequencies on Series of Events

Dit artikel introduceert LTLF, een tijdslogica met nieuwe, maatgevoelige kwantoren die het mogelijk maakt om frequentie-eigenschappen van gebeurtenisreeksen formeel te analyseren en zo de brug te slaan tussen logisch redeneren en empirische waarneming.

Oorspronkelijke auteurs: Melissa Antonelli, Leonardo Ceragioli, Alessandro Buda, Giuseppe Primiero

Gepubliceerd 2026-04-14

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Melissa Antonelli, Leonardo Ceragioli, Alessandro Buda, Giuseppe Primiero

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De Kern: Een Logische "Frequentie-Checker"

Stel je voor dat je een reistocht maakt en onderweg telkens een munt opgooit. Je wilt weten: "Is deze munt eerlijk?" of "Zal de volgende worp waarschijnlijk 'Kop' zijn, gezien wat we al hebben gezien?"

Normaal gesproken kijken logische systemen alleen naar wat er gebeurt (ja/nee, waar/onwaar). Dit nieuwe systeem, genaamd LTLF (Linear Temporal Logic of Frequencies), doet iets speciaals: het kijkt niet alleen naar het moment, maar naar het beeld van de hele reeks. Het houdt rekening met hoe vaak iets al is gebeurd en vergelijkt dat met wat zou moeten gebeuren volgens een ideaal plan.

Het is alsof je een reistochtdagboek hebt dat niet alleen schrijft "Ik heb vandaag een appel gegeten", maar ook automatisch berekent: "Ik heb vandaag 3 appels gegeten, wat is 30% van mijn totale fruitconsumptie, en past dit bij mijn dieetplan?"

De Drie Hoofdpunten (Met Metaforen)

Het artikel introduceert een nieuwe manier om over tijd en frequentie na te denken met vijf nieuwe "magische brillen" (operatoren). Laten we ze uitleggen met een bakkerij-analogie.

Stel je bent een bakker die 100 broden bakt. Je hebt een ideaal recept (bijvoorbeeld: 50% volkoren, 50% wit). Je kijkt naar de broden die je tot nu toe hebt gemaakt.

1. De "Witte Doos" (Operator $\square$ ): Wat heb je echt gezien?

Dit is je dagboekaantekening.

Vraag: "Hoeveel volkorenbroden heb ik tot nu toe gemaakt?"
Voorbeeld: Als je 10 broden hebt gemaakt en 8 zijn volkoren, zegt deze operator: "De frequentie is 80%."
In het kort: Het telt wat er daadwerkelijk is gebeurd tot dit exacte moment.

2. De "Zwarte Doos" (Operator $\blacksquare$ ): Wat is mogelijk volgens het plan?

Dit is je droomscenario. Het kijkt niet naar wat je al hebt gedaan, maar naar wat er nog kan gebeuren om het ideale recept te halen.

Vraag: "Is het nog mogelijk dat ik aan het einde van de dag precies 50% volkoren heb, gezien wat ik nu heb?"
Voorbeeld: Als je 10 broden hebt gemaakt en 8 zijn volkoren, is het niet meer mogelijk om 50% te halen (je moet nu 2 volkoren en 8 witte bakken, maar je hebt al 8 volkoren). De "Zwarte Doos" zegt dan: "Nee, dit is niet compatibel met het ideale plan."
In het kort: Het checkt of de huidige situatie nog in lijn is met het einddoel.

3. De "Ster" (Operator $\star$ ): Wat is het ideale doel?

Dit is de receptkaart die nooit verandert.

Vraag: "Wat zegt het recept dat de verdeling zou moeten zijn?"
Voorbeeld: Het recept zegt: "50% volkoren." Dit is een vast getal, ongeacht of je nu 1 brood of 100 broden hebt gemaakt.
In het kort: Dit is de "theoretische waarheid" waartegen we alles meten.

4. De "Volgende Stap" (Operator $\triangleright$ ): Wat komt er volgende?

Dit is een prognose.

Vraag: "Als ik nu al 8 volkoren heb gemaakt (en ik wil 50%), wat is de kans dat het volgende brood wit is?"
Voorbeeld: Omdat je al te veel volkoren hebt, is de kans dat het volgende brood wit is, 100%. Je moet nu wit bakken om het doel te halen.
In het kort: Het voorspelt de toekomstige uitkomst op basis van het huidige gat tussen realiteit en doel.

5. De "Cirkel" (Operator $\circ$ ): De verhouding tot het totaal.

Dit is een totaalbeeld.

Vraag: "Als ik nu 8 volkoren heb gemaakt, en ik weet dat ik er 100 ga maken, wat is dan mijn huidige aandeel in het totaal?"
In het kort: Het koppelt het huidige aantal aan het totale aantal dat gepland is.

Waarom is dit belangrijk? (De Toepassing)

De auteurs gebruiken dit systeem voor Machine Learning (kunstmatige intelligentie).

Stel je hebt een AI die foto's bekijkt en zegt wie erop staat. Soms is die AI vooroordeelsvol (bijvoorbeeld: hij denkt dat alleen mannen dokter zijn).

Het probleem: We willen controleren of de AI eerlijk is terwijl hij werkt, niet pas aan het einde.
De oplossing met LTLF: We kunnen een regel opstellen: "De AI moet in elke reeks van 100 beslissingen ongeveer 50% mannen en 50% vrouwen als dokter aanduiden."
- Als de AI na 10 beslissingen al 9 keer "man" zegt, schakelt de Zwarte Doos in: "Dit past niet bij het doel!"
- De Volgende Stap zegt dan: "De kans dat de volgende beslissing 'vrouw' is, moet 100% zijn om het doel te halen."

Dit stelt ons in staat om systemen live te monitoren en te corrigeren voordat ze fouten maken, in plaats van alleen achteraf te kijken of ze fout waren.

Samenvatting in één zin

Dit artikel introduceert een slimme logische taal die niet alleen telt wat er gebeurt, maar ook checkt of dat past bij een ideale verdeling, en daarmee helpt om systemen (zoals AI) eerlijk en voorspelbaar te houden.

Het is als een navigatiesysteem dat niet alleen zegt "Je bent nu hier", maar ook "Je bent afwijkend van je route, en als je nu niet afslaat, haal je je bestemming nooit op tijd."

Titel: Een Lineaire Temporele Logica van Frequenties op Reeksen van Evenementen

Auteurs: Melissa Antonelli, Leonardo Ceragioli, Alessandro Buda, en Giuseppe Primiero.

1. Probleemstelling

In moderne computationele contexten, zoals het toezicht houden op machine learning-classificatoren of het garanderen van algoritmische rechtvaardigheid, is er een groeiende behoefte aan systemen die dynamisch kunnen worden gemonitord en gecontroleerd tijdens de uitvoering (runtime). Bestaande methoden voor het evalueren van dergelijke systemen zijn vaak beperkt tot inferentie-only evaluaties of statische correcties, wat leidt tot inefficiëntie en het niet tijdig anticiperen op onaanvaardbare uitkomsten.

De kernuitdaging is het formuleren van een logisch raamwerk dat twee aspecten met elkaar kan verbinden:

De werkelijke, geobserveerde frequentie van gebeurtenissen in een reeks (bijv. de uitkomsten van een reeks muntworpen of classificaties).
Een ideale of theoretische verdeling (doelfrequentie) waaraan het systeem zou moeten voldoen.

Bestaande tijdslogica's (zoals LTL, CTL) en probabilistische logica's (zoals PCTL) zijn vaak gericht op het tellen van wereldtoestanden of het berekenen van kansen op paden, maar ze formaliseren niet expliciet de relatie tussen een geobserveerde frequentie en een doelverdeling binnen één enkele evaluatiestructuur. Daarnaast zijn veel bestaande logica's gericht op vooruitkijkende (forward-looking) semantics, terwijl de analyse van experimenten vaak een terugkijkende (backward-looking) benadering vereist om de huidige staat te evalueren op basis van wat er al is gebeurd.

2. Methodologie: LTLF

De auteurs introduceren LTLF (Linear Temporal Logic of Frequencies), een nieuwe tijdslogica ontworpen om frequentie-eigenschappen van eindige reeksen evenementen op een natuurlijke maar strikte manier te uitdrukken.

Formele Structuur:

Semantiek: De logica maakt gebruik van een Kripke-achtige semantiek over modellen bestaande uit een eindige verzameling werelden (tijdstippen), een lineaire toegankelijkheidsrelatie (tijdsreeks), en een set toewijzingen die corresponderen met een goed gedefinieerde frequentieverdeling ( $F_\Omega$ ).
Observatie vs. Doel: Een model bevat een specifieke toewijzing $a$ (de "echte" observatie) en een verzameling $F_\Omega$ van alle mogelijke toewijzingen die compatibel zijn met de theoretische doelfrequentie.
Tijdsrichting: De logica adopteert een terugkijkende benadering. Operatoren evalueren eigenschappen door naar het verleden te kijken binnen een eindige reeks, in plaats van naar de toekomst te projecteren zoals in standaard LTL.

De Vijf Kernmodaliteiten:
De logica introduceert vijf nieuwe, meetgevoelige operatoren om frequenties te tellen en te vergelijken:

$\square_q$ (Witte doos): Een operator die afhankelijk is van de huidige observatie en het tijdstip. Deze drukt uit dat een formule $\phi$ tot op het huidige moment $t$ in ten minste een fractie $q$ van de gevallen is waargenomen. Dit meet de empirische relatieve frequentie.
$\blacksquare_q$ (Zwarte doos): Een operator die afhankelijk is van het tijdstip maar onafhankelijk van de specifieke observatie. Deze drukt uit dat er minstens één toewijzing bestaat binnen de doelfrequentie $F_\Omega$ waarbij $\phi$ tot nu toe in een fractie $q$ van de gevallen waar is. Dit meet de compatibiliteit met de ideale verdeling.
$\circ_q$ (Cirkel): Een operator die afhankelijk is van observatie en tijd. Deze drukt uit dat $\phi$ tot nu toe is waargenomen in ten minste een fractie $q$ van het totale aantal proeven $n$ (inclusief toekomstige proeven die nog moeten plaatsvinden). Dit kan worden gezien als een voorwaartse kans gebaseerd op huidige data en de totale reeksomvang.
$\triangleright_q$ (Volgende): Een operator die de kans berekent dat een gebeurtenis $\phi$ in de volgende tijdstap ( $t+1$ ) zal plaatsvinden, gegeven dat de huidige observatie compatibel is met de doelfrequentie $F_\Omega$ .
$\star_q$ (Ster): Een operator die onafhankelijk is van tijd en specifieke observatie. Deze drukt uit dat er, volgens de doelfrequentie $F_\Omega$ , een moment bestaat waarop $\phi$ met een frequentie van ten minste $q$ wordt waargenomen. Dit is een globale eigenschap van de verdeling zelf.

3. Belangrijkste Bijdragen

Unieke Formalisering: LTLF is de eerste tijdslogica die expliciet de relatie tussen een geobserveerde frequentie en een theoretische doelverdeling formaliseert binnen één logische structuur.
Dynamische Evaluatie: In tegenstelling tot statische logica's voor volledige reeksen, stelt LTLF in staat om op elk willekeurig punt in een reeks te evalueren of de huidige observatie nog compatibel is met de doelfrequentie en wat de kansen zijn voor de toekomst.
Expressieve Kracht: De logica kan complexe distributie-eigenschappen uitdrukken zonder de expressiviteit te beperken ten gunste van berekeningsbaarheid (in tegenstelling tot sommige probabilistische logica's).
Terugkijkende Semantiek: De introductie van een terugkijkende interpretatie van tijdsoperatoren, specifiek ontworpen voor het analyseren van experimenten en reeksen.

4. Resultaten en Toepassingen

De auteurs demonstreren de kracht van LTLF door vijf kernproblemen te formuleren en op te lossen:

Meten van frequentie: Het controleren of de frequentie van een uitkomst op elk tijdstip groter dan of gelijk is aan een drempelwaarde $q$ (via $\square_q$ ).
Compatibiliteitstest: Het controleren of een gedeeltelijke observatie compatibel is met een globale doelfrequentie. Bijvoorbeeld: "Is het mogelijk dat de munt eerlijk is, gezien de eerste 3 worpen?" (via $\blacksquare_q$ ).
Compatibiliteit van observatie: Het vaststellen of een volledige observatie compatibel is met een gewenste frequentie. Als de observatie afwijkt van de doelfrequentie, kan dit worden aangetoond (via de relatie tussen $\square$ en $\blacksquare$ of $\circ$ en $\star$ ).
Kansberekening realisatie: Het berekenen van de kans dat een reeks uiteindelijk eindigt binnen een gewenste frequentiebereik, gegeven de huidige staat (via $\circ$ en $\star$ ). De auteurs leiden formules af voor deze kansen, zowel voor equiprobabele als niet-equiprobabele uitkomsten.
Toekomstvoorspelling (a posteriori): Het voorspellen van de kans op een specifieke uitkomst in de volgende stap, gegeven dat de totale reeks een bepaalde frequentie zal behalen (via $\triangleright_q$ ).

Voorbeeld: In een scenario met een muntworpenreeks kan LTLF niet alleen zeggen "er zijn 2 koppen", maar ook "gezien de eerste 2 worpen (TT) en de aanname dat de munt eerlijk is, is de kans dat de derde worp Kop is 100%".

5. Betekenis en Toekomstperspectief

Significantie:
LTLF biedt een brug tussen formele logische redenering en empirische observatie. Het is een krachtig instrument voor het monitoren en controleren van kwantitatieve systemen, met name machine learning classifiers. Het stelt ontwikkelaars in staat om bias te detecteren en te corrigeren tijdens het proces, in plaats van alleen achteraf. De logica maakt het mogelijk om te redeneren over "wat zou kunnen gebeuren" (onder de aanname van een ideale verdeling) versus "wat is er gebeurd".

Toekomstig Werk:

Bewijsstelsel: Het ontwikkelen van een sound en compleet bewijsstelsel voor LTLF.
Complexiteit: Onderzoek naar de berekeningscomplexiteit van de validiteit van formules.
Takstructuur: Uitbreiding van de logica van lineaire tijd naar takende tijd (tree structures) om complexere scenario's met vertakkingen te modelleren.
Toepassingen: Verdere toepassing op bias-mitigatie in machine learning en andere dynamische systemen.

Samenvattend introduceert dit paper een innovatief logisch raamwerk dat de kloof overbrugt tussen statistische frequenties en formele logica, waardoor het mogelijk wordt om complexe systemen dynamisch en rigoureus te analyseren op basis van hun prestaties in de tijd.