Enabling MCTS Explainability for Sequential Planning Through Computation Tree Logic

蒙特卡洛树搜索（MCTS）是顺序规划任务中最强大的在线搜索算法之一，广泛应用于资源分配和交通规划等领域。尽管MCTS在实际应用中表现出色，但其内在的复杂性使得非技术背景的用户难以理解。本文考虑将MCTS应用于交通路由服务中，将算法集成到开发优化路线计划中。这些计划需要同时满足一系列约束和要求，进一步增加了在实际环境中解释算法操作的难度。为了解决这一关键的研究空白，我们引入了一种基于计算树逻辑的MCTS解释器。我们的框架首先通过使用语言模板将用户定义的要求转化为严格的逻辑规范。然后，我们的解释器集成了逻辑验证和定量评估模块，验证MCTS算法遍历的状态和动作。这个分析的结果使用第二组语言模板呈现成易于理解的人类描述性文本。82名参与者的调查结果表明，我们的解释方法在用户偏好方面显著优于其他基线。

本论文旨在解决Monte Carlo tree search（MCTS）算法在交通路线规划中的应用问题，即如何解释MCTS算法的操作过程和结果。

论文提出了一种基于计算树逻辑的解释框架，将用户定义的要求通过语言模板转化为严格的逻辑规范，并通过逻辑验证和定量评估模块验证MCTS算法遍历的状态和操作，最终使用第二组语言模板将分析结果呈现为可读性强的文本。

论文的亮点在于提出了一种可解释性强的MCTS算法解释框架，通过调查研究发现，该框架在用户偏好方面明显优于其他基线模型。论文使用了交通路线规划数据集，并开放了源代码。

在相关研究方面，最近的一些研究包括《A Survey of Monte Carlo Tree Search Methods》和《Monte Carlo Tree Search: A New Framework for Game AI》等。