May, 2024

stl2vec：时序逻辑的语义和可解释向量表示

PDF
TL;DR将符号知识与数据驱动的学习算法集成是人工智能中长期存在的挑战，该论文以时序逻辑为知识表达形式，设计了一种计算具有多个期望属性的连续嵌入式文法的方法，并展示了该方法在学习模型检查和神经符号框架中的应用。
symbolic knowledgedata-driven learning algorithmssemantically grounded vector representationsignal temporal logicneuro-symbolic framework
发现论文，激发创造
  • 构建可逆的语义保留逻辑公式嵌入

    该研究工作探讨了如何使用基于图变分自编码器 (Graph Variational Autoencoder) 的深度架构来训练学习逻辑嵌入，以实现对逻辑嵌入的反向推理，即将嵌入空间中的逻辑公式反向映射回语法空间，进而提高机器学习中学习逻辑规则和性质的能力。

    May, 2023

  • 连续向量空间中的数学表达式的语义表示

    本文介绍了一种在连续向量空间中表示数学表达式的方法，使用序列到序列架构的编码器生成向量表示，并比较了这种方法与自编码器的差异。最后，为了加快未来的项目，我们发布了一组等价的超越和代数表达式对的语料库。

    Oct, 2022

  • Tsetlin 机嵌入：用逻辑表达式代表单词

    本文提出一种利用命题逻辑表示单词语义的词嵌入方法，使用 Tsetlin 机器自编码器进行学习，探讨了其在自然语言处理领域中的重要性，对比了其他模型，研究表明在多项分类任务中表现良好，且具有一定的可解释性。

    Jan, 2023

  • 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

  • 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

  • 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

  • 可解释的生成对抗拟态学习

    提出了一种新颖的模仿学习方法，结合了信号时态逻辑（STL）推理和控制综合，能够明确地表示任务作为一个 STL 公式，在理解学习代理的具体任务方面提供了清晰的理解，并通过手动调整 STL 公式将人类知识纳入，以便适应新的场景。此外，我们采用了生成对抗网络（GAN）受启发的训练方法，既能进行推理，又能进行控制策略，有效地缩小了专家策略和学习策略之间的差距。通过两个案例研究，证明了我们算法的有效性，展示了其实际应用性和适应性。

    Feb, 2024

  • 使用信号时间逻辑从自然语言和演示中进行交互式学习

    该研究介绍了一种交互式学习方法，能够从自然语言描述中学习正确、简洁的统一信号时序逻辑公式，并使用深度 Q 学习算法确定机器人的最优控制策略。

    Jul, 2022

  • 神经代码理解：可学习的代码语义表示

    本文提出了一种学习代码语义的新颖处理技术，并将其应用于各种程序分析任务中，其中使用的 Embeddings 基于独立于源编程语言的代码的 IR，现有技术不足以强烈理解程序语义。

    Jun, 2018

  • 分布式表示模型理论探究

    研究使用实数向量作为一阶逻辑的模型理论 / 语义学的一种方法，以结合分布式表示和离散表示的优势，并探讨此系统的一些有趣属性和简单的查询答案方法。

    Oct, 2014