本文研究利用 Parametric Signal Temporal Logic 设计无监督的时间序列数据特征以解决数据过载问题，以实现对复杂模型和实验产生的大量数据进行自动分类。作者通过几个示例说明了这种技术如何生产可解释性的公式，适合进行分析和理解。

Dec, 2016

我们提出了一种方法，结合了神经网络和 Signal Temporal Logic，用于对时间序列数据进行多类别分类，通过引入边界概念和 STL 属性，提高了分类结果的可解释性。

Feb, 2024

从观察行为中学习 Signal Temporal Logic (STL) 的要求，通过结合贝叶斯优化和信息检索技术，同时学习 STL 公式的结构和参数，提高了对于需求挖掘的有效性，进一步推动了在计算机物理系统中的研究。

May, 2024

本文介绍一种基于 funnel functions 的可行强化学习算法，用于实现连续状态空间中 STL 规范的鲁棒满足，并在摆和移动机器人示例上演示了该方法的实用性。

Nov, 2022

TLINet 是一个神经符号框架，用于学习 Signal Temporal Logic 公式。该框架不仅学习 STL 公式的结构，还学习参数，具有解释性、紧凑性、表达能力丰富和计算效率高等优势。

May, 2024

该论文提出了一种利用近似解决 STL 综合问题的方法，通过最大化已知的效果指标来学习未知随机动态系统的最优策略，在模拟中验证了该方法的有效性。

Sep, 2016

通过直接学习神经网络控制器以满足信号时间逻辑 (STL) 的要求，以确保长期机器人任务的安全性和满足时间规范的挑战。同时，采用备用策略以保证控制器故障时的安全性。该方法可以适应不同的初始条件和环境参数，并在复杂的 STL 规范任务中以 10 倍至 100 倍速度快于传统方法。

Sep, 2023

本研究提出了 Neuro-Symbolic Time Series Classification（NSTSC），一种神经符号模型，借助信号时间逻辑（STL）和神经网络（NN）来完成多视图数据表示的时间序列分类任务，并将模型表达为可读性强的可解释式公式。NSTSC 采用决策树方法学习公式结构并实现多类别 TSC 任务，可以生成与领域知识相符的可解释公式。

Sep, 2022

本论文提出了一种新的基于 STL 模板的多智能体强化学习算法以指导奖励设计，实验证明相比没有 STL 指导的情况下，算法能够显著提高多智能体系统的性能和安全性。

Jun, 2023

本文旨在通过研究基于信号时间逻辑（STL）的控制问题的鲁棒度评估方法，从如何帮助基于学习的解决方案的角度探讨现有和潜在的鲁棒度评估方法。研究表明，这项新的鲁棒度测量方法对于加速学习过程非常有效，并通过实例研究进行了验证。

Mar, 2020