Dec, 2016

基于逻辑的时间序列数据聚类与学习

PDF
TL;DR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。
cyberphysical systemsdata deluge problemparametric signal temporal logicunsupervised classificationtime series data
发现论文，激发创造
  • 从数据中提取加强的检索辅助的时间逻辑规范

    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

  • 多类别时间逻辑神经网络

    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

  • 基于时间逻辑描述的可解释时间序列分类的神经符号模型

    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

  • ECATS: 基于概念的可解释度异常检测方法用于时间序列

    通过 ECATS 的概念化神经符号架构，利用核函数方法对信号时序逻辑公式进行学习，实现了对复杂性网络的类别预测和有意义解释的提取。

    May, 2024

  • 不确定性下的安全控制

    本文提出了一种新的逻辑 PrSTL 作为表达随机性质和强制其概率保证的表现语言，并展示了如何使用这种逻辑对具有随机性质的智能物理系统进行控制器合成，其关键特点是适应性逻辑并随着系统遇到附加数据而变化，并通过合成多种情况下无人机和自主车辆的控制器来演示我们的方法。

    Oct, 2015

  • 基于模型设计的智能物理系统中的参数时序逻辑属性挖掘

    本文提出了一种针对具有多个参数的度量或信号时间逻辑（MTL 或 STL）的规范的框架，该框架可以自动地推断参数的范围，以便系统未满足属性标准。同时，我们还提供了用于多参数规范探索和可视化的算法，并且在实际工业应用引擎模型以及相关文献的例子中进行了演示。

    Dec, 2015

  • 信号时态逻辑神经预测控制

    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

  • 用属性规范语言学习可解释模型

    本文主要介绍了一种用于从有限集的正面和负面例子中学习复杂系统可解释性描述的算法，通过在 IEEE 标准时间逻辑 PSL (Property Specification Language) 中学习公式来解决此问题，并比较了与现有 LTL 学习算法的效果。

    Feb, 2020

  • TLINet: 可微分神经网络时态逻辑推理

    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

  • 多智能体群体行为分析中的人口普查信号时态逻辑推断

    本文定义了一种新的基于人口普查的时态逻辑（CensusSTL），并提出了一种新的推理算法来从一组代理的轨迹数据中推断 CensusSTL 公式，并将算法应用于足球比赛数据的分析中，以推断足球队的不同子组的 CensusSTL 公式。

    Oct, 2016