Apr, 2021

从嘈杂数据中学习线性时间属性：一种 MaxSAT 方法

PDF
TL;DR该论文提出了两种算法：第一种使用 MaxSAT 求解器在高噪声数据下推导出最小 LTL 公式，第二种算法则基于第一种算法使用决策树学习算法推导出 LTL 公式的决策树。这些算法能够高效地提取简明的 LTL 描述。
linear temporal logicinferencealgorithmsmaxsat solversdecision tree learning
发现论文，激发创造
  • 学习时态逻辑性质：两种最近方法概述

    本文总结了两种不同的问题设置中，从正面或反面的示例中学习 LTL 公式的两种方法，第一种方法假设示例标记有噪声，第二种方法则考虑在仅给出正面示例的情况下推断有意义的 LTL 公式，所提出的方法提供了解决上述问题的不同算法，以及推断时的其他时间性质描述，如信号时间逻辑或确定性有限自动机。

    Dec, 2022

  • 学习线性时间属性

    该论文提出了两种学习 Linear Temporal Logic（LTL）公式的新算法，该算法通过将学习任务简化为命题布尔逻辑中的一系列可满足问题来实现，并且验证了这两种算法在合成基准测试和领导者选举协议的执行理解方面的优异表现。

    Jun, 2018

  • 从示例中学习时间公式是困难的

    从样例中学习线性时间逻辑（LTL）公式的问题的计算复杂性进行了研究，发现 LTL 学习问题在全逻辑和几乎所有的片段中都是 NP 完全的。这激发了寻找高效启发式算法的动力，并突显了以简洁的自然语言表达分离性质的复杂性。

    Dec, 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

  • 仅从正例学习可解释的时间属性

    本文探讨黑盒系统建模中使用有限状态自动机和线性时态逻辑公式的方法，通过正例学习建立有意义的、最小化的模型。作者提出了符号方法和反例引导方法两种学习方式，并在合成数据上进行评估。

    Sep, 2022

  • 从示例中学习线性时间公式的复杂性

    本文探讨了学习线性时序逻辑 (LTL) 公式的计算复杂性，并构建了 LTL 的片段逼近算法，并对许多片段证明了 NP 完全性。

    Feb, 2021

  • 可解释的时序逻辑学徒学习

    本文讨论了在 Markov 决策过程中，使用 LTL 的公式作为代理规划的规范，通过形成多目标优化问题，从 MDP 中演示的行为轨迹中推断 LTL 规范，利用遗传编程解决该问题的有效性进行了证明。

    Oct, 2017

  • 机器人任务规范的自然语言到线性时间逻辑翻译器的高效数据学习

    本文提出一种基于学习的方法，通过算法生成 LTL 公式，并将其转换为结构化英语进而利用现代大型语言模型的改写功能来合成自然语言命令，从而减少人工数据依赖，以 75％的准确率将自然语言命令翻译成 LTL 规范，并发现该翻译的公式能够用于长视距的，多阶段任务的规划（以 12D 四旋翼为例）。

    Mar, 2023

  • 可扩展的随时学习线性时态逻辑片段算法

    本论文提出了一种新的算法来解决线性时间逻辑（LTL）公式学习问题，可以构建比之前更大的公式，并且可实现任意时刻输出结果，性能较好。通过开源实现和公开基准测试来评估算法性能。

    Oct, 2021

  • 基于数据驱动的时态逻辑推理的开关非线性系统模型鉴别

    本文研究数据驱动模型识别的问题，提出了逼近未知动态和推断未知逻辑规范的数据驱动方法，并利用基于优化的算法分析了学习 / 推断的模型 - 任务对的区别，为该集合中与新观察不一致的模型 - 任务对规定模型推断的逻辑规范的大小，以增加模型鉴别算法的计算效率。

    Jun, 2023