論文の概要: Neural Network for Weighted Signal Temporal Logic
- arxiv url: http://arxiv.org/abs/2104.05435v1
- Date: Thu, 8 Apr 2021 20:44:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-13 13:49:19.171462
- Title: Neural Network for Weighted Signal Temporal Logic
- Title（参考訳）: 重み付き信号時間論理のためのニューラルネットワーク
- Authors: Ruixuan Yan, Agung Julius
- Abstract要約: We propose a neuro-symbolic framework called weighted Signal Temporal Logic Neural Network (wSTL-NN)。
wSTL-NNはエンドツーエンドの差別化が可能で、バックプロパゲーションを使ってwSTL式を学習することができる。
このフレームワークを稼働時間検出時系列データセットに適用し、オフィスルームの稼働状況を予測する分類器を学習する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose a neuro-symbolic framework called weighted Signal
Temporal Logic Neural Network (wSTL-NN) that combines the characteristics of
neural networks and temporal logics. Weighted Signal Temporal Logic (wSTL)
formulas are recursively composed of subformulas that are combined using
logical and temporal operators. The quantitative semantics of wSTL is defined
such that the quantitative satisfaction of subformulas with higher weights has
more influence on the quantitative satisfaction of the overall wSTL formula. In
the wSTL-NN, each neuron corresponds to a wSTL subformula, and its output
corresponds to the quantitative satisfaction of the formula. We use wSTL-NN to
represent wSTL formulas as features to classify time series data. STL features
are more explainable than those used in classical methods. The wSTL-NN is
end-to-end differentiable, which allows learning of wSTL formulas to be done
using back-propagation. To reduce the number of weights, we introduce two
techniques to sparsify the wSTL-NN.We apply our framework to an occupancy
detection time-series dataset to learn a classifier that predicts the occupancy
status of an office room.
- Abstract（参考訳）: 本稿では,ニューラルネットワークの特性と時間論理を結合した重み付き信号時間論理ニューラルネットワーク(wSTL-NN)を提案する。
重み付き信号時間論理(wSTL)公式は、論理演算子と時間演算子を組み合わせた部分形式から再帰的に構成される。
wSTLの量的セマンティクスは、重量が高いサブフォーミュラの量的満足度が、全体のwSTL公式の量的満足度により影響を与えるように定義される。
wSTL-NNでは、各ニューロンはwSTLサブフォーミュラに対応し、その出力は公式の量的満足度に対応する。
我々はwSTL式を時系列データを分類する機能としてwSTL-NNを使用する。
STL機能は従来の方法よりも説明しやすい。
wSTL-NNはエンドツーエンドの微分可能であり、wSTL公式の学習はバックプロパゲーションを使って行うことができる。
本稿では,wSTL-NNをスパーシフィケートする2つの手法を導入し,そのフレームワークを占有検知時系列データセットに適用し,オフィスルームの占有状況を予測する分類器を学習する。
関連論文リスト
- TLINet: Differentiable Neural Network Temporal Logic Inference [10.36033062385604]
本稿では,STL式を学習するニューラルネットワークシンボリックフレームワークであるTLINetを紹介する。
従来の手法とは対照的に,時間論理に基づく勾配法に特化して設計された最大演算子の近似法を導入する。
我々のフレームワークは、構造だけでなく、STL公式のパラメータも学習し、演算子と様々な論理構造の柔軟な組み合わせを可能にします。
論文 参考訳（メタデータ） (2024-05-03T16:38:14Z) - Sparse Spiking Neural Network: Exploiting Heterogeneity in Timescales
for Pruning Recurrent SNN [19.551319330414085]
スパイキングニューラルネットワーク(RSNN)は、計算的に効率的で脳に触発された学習モデルとして登場した。
伝統的に、スパースSNNは、まずターゲットタスクのために密度が高く複雑なSNNを訓練することによって得られる。
本稿では,大きめのランダムモデルを用いて,スパースRSNNを設計するためのタスク依存手法を提案する。
論文 参考訳（メタデータ） (2024-03-06T02:36:15Z) - Enhancing Sequential Model Performance with Squared Sigmoid TanH (SST)
Activation Under Data Constraints [0.0]
本研究では,データ制約下での逐次モデルの学習能力を高めるために,SST(Sigmoid TanH)アクティベーションの2乗化を提案する。
SSTは、信号が時間とともに伝播するにつれて、強い活性化と弱い活性化の差を増幅するために数学的なスクアリングを適用している。
我々は,手話認識,回帰,時系列分類タスクなどの多様なアプリケーションに対して,SSTを利用したLSTMとGRUを評価した。
論文 参考訳（メタデータ） (2024-02-14T09:20:13Z) - LC-TTFS: Towards Lossless Network Conversion for Spiking Neural Networks
with TTFS Coding [55.64533786293656]
我々は,AIタスクにおいて,ANNのアクティベーション値とSNNのスパイク時間とのほぼ完全なマッピングを実現することができることを示す。
この研究は、電力制約のあるエッジコンピューティングプラットフォームに超低消費電力のTTFSベースのSNNをデプロイする方法を舗装している。
論文 参考訳（メタデータ） (2023-10-23T14:26:16Z) - Disentangling Structured Components: Towards Adaptive, Interpretable and
Scalable Time Series Forecasting [52.47493322446537]
本研究では,時空間パターンの各コンポーネントを個別にモデル化する適応的,解釈可能,スケーラブルな予測フレームワークを開発する。
SCNNは、空間時間パターンの潜在構造を算術的に特徴づける、MSSの事前定義された生成プロセスで動作する。
SCNNが3つの実世界のデータセットの最先端モデルよりも優れた性能を達成できることを示すため、大規模な実験が行われた。
論文 参考訳（メタデータ） (2023-05-22T13:39:44Z) - Learning Signal Temporal Logic through Neural Network for Interpretable
Classification [13.829082181692872]
本稿では時系列行動の分類のための説明可能なニューラルネットワーク・シンボリック・フレームワークを提案する。
提案手法の計算効率, コンパクト性, 解釈可能性について, シナリオの駆動と海軍の監視事例研究を通じて実証する。
論文 参考訳（メタデータ） (2022-10-04T21:11:54Z) - Neuro-symbolic Models for Interpretable Time Series Classification using
Temporal Logic Description [6.38434293310427]
解釈可能な機械学習モデルは、データのパターンを発見し、ドメインの専門家に理解しやすい洞察を与えるのに役立つ。
本稿では、信号時間論理(STL)とニューラルネットワーク(NN)を活用してTSCタスクを実現するニューロシンボリック時系列分類(NSTSC)を提案する。
論文 参考訳（メタデータ） (2022-09-15T20:50:20Z) - Space-Time Graph Neural Networks [104.55175325870195]
本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。
解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
論文 参考訳（メタデータ） (2021-10-06T16:08:44Z) - NSL: Hybrid Interpretable Learning From Noisy Raw Data [66.15862011405882]
本稿では,ラベル付き非構造データから解釈可能なルールを学習するニューラルシンボリック学習フレームワークNSLを提案する。
NSLは、機能抽出のためのトレーニング済みニューラルネットワークと、解集合セマンティクスに基づくルール学習のための最先端のILPシステムであるFastLASを組み合わせる。
NSLは、MNISTデータから堅牢なルールを学び、ニューラルネットワークやランダムフォレストベースラインと比較して、比較または優れた精度を達成できることを実証します。
論文 参考訳（メタデータ） (2020-12-09T13:02:44Z) - Connecting Weighted Automata, Tensor Networks and Recurrent Neural
Networks through Spectral Learning [58.14930566993063]
我々は、形式言語と言語学からの重み付き有限オートマトン(WFA)、機械学習で使用されるリカレントニューラルネットワーク、テンソルネットワークの3つのモデル間の接続を提示する。
本稿では,連続ベクトル入力の列上に定義された線形2-RNNに対する最初の証明可能な学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-10-19T15:28:00Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳（メタデータ） (2020-07-02T17:55:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。