Nov, 2017

一种强健的基因算法用于从数据中学习时序规范

PDF
TL;DR本文提供了一种系统的方法来合成时序逻辑公式的语法结构和参数，其中利用了一种新颖的进化算法来学习公式的结构，然后对候选公式的平均鲁棒性执行参数综合，以应对动力系统的异常轨迹检测和无效呼吸努力的表征两个案例研究。
miningtemporal logical requirementsdynamical systemevolutionary algorithmparameter synthesis
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

  • 从数据中学习具备统计保证的时间逻辑谓词

    我们提出了一种新的方法，利用表达式优化和符合预测，从有限样本正确性保证的角度学习出可以在用户定义的置信水平下正确描述未来轨迹的时间逻辑谓词。我们通过对模拟轨迹数据集的实验结果以及消融研究来展示我们方法的性能，并分析了算法的各个组成部分对性能的贡献。

    Jun, 2024

  • 可微分的时间逻辑公式推理

    本文介绍了一种新型的循环神经网络结构，可用于学习信号时间逻辑公式，并对公式推导方法进行了系统性比较。通过梯度下降训练神经网络，在不施加特定模板的情况下推导出公式结构和参数，可在实现类似分类误差率（MCR）的情况下发挥作用。研究人员还发现时间逻辑推断问题存在欠确定性。

    Aug, 2022

  • 信号时序逻辑谓词的模型预测鲁棒性

    提出了一种模型预测鲁棒性的概念，通过考虑基于模型的预测，提供了一种比以前方法更系统的评估鲁棒性的方法，使用高斯过程回归来学习鲁棒性，将其纳入轨迹规划器，让自动驾驶车辆在数据集上更稳健地遵守交通规则。

    Sep, 2022

  • 信号时态逻辑导引的学徒学习

    通过将描述高层任务目标的时间逻辑规范编码为图形来定义基于时间的度量，以改进推断奖励和策略的质量，实验表明我们的框架通过极大地提高学习控制策略所需的演示数量，克服了之前文献的缺点。

    Nov, 2023

  • 基于逻辑的时间序列数据聚类与学习

    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

  • 强化逻辑规则学习用于暂态点过程

    我们提出了一个能够逐步扩展解释性时间逻辑规则集来解释时间事件发生的框架。利用时间点过程建模和学习框架，规则内容和权重将逐渐优化，直到观察的事件序列的似然性最佳。我们的算法通过在主问题中更新当前规则集的权重，并在子问题中搜索和包含新规则来增加似然性。主问题被定义为凸问题，使用连续优化方法相对容易求解，而子问题需要在庞大的组合规则谓词和关系空间中进行搜索。为了克服这一挑战，我们提出了一种神经搜索策略，通过学习生成新规则内容的一系列动作。该策略参数将使用强化学习框架进行端到端训练，其中奖励信号可以通过评估子问题目标来高效查询。训练好的策略可以以可控的方式生成新规则。我们在合成和真实的医疗数据集上评估了我们的方法，取得了有前景的结果。

    Aug, 2023

  • 使用 Transformer 和 Mamba 学习线性时间逻辑中的系统规约估计

    提出自回归模型，从系统追踪中生成线性时间逻辑公式，用于解决规范挖掘问题，并使用多种架构和度量方法进行实验证明其有效性。

    May, 2024

  • 使用反应综合技术对生成智能体行为施加时间约束

    采用形式逻辑程序合成和大型语言模型生成内容相结合的方法，利用时态流逻辑生成一个自动机并在一定时间内对代理人施加时间结构，并将每个动作的细节留给大型语言模型，从而创建具有时间约束的生成代理人。

    Feb, 2024

  • 度量时态逻辑中高效可监测公式的合成

    自动从系统执行中合成形式规范的学习算法，以实现有效可监控的 Metric Temporal Logic (MTL) 公式的综合。

    Oct, 2023