論文の概要: Time-Incremental Learning from Data Using Temporal Logics
- arxiv url: http://arxiv.org/abs/2112.14300v1
- Date: Tue, 28 Dec 2021 21:32:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-30 16:36:47.209554
- Title: Time-Incremental Learning from Data Using Temporal Logics
- Title(参考訳): 時間論理を用いたデータからの時間インクリメンタル学習
- Authors: Erfan Aasi, Mingyu Cai, Cristian Ioan Vasile, and Calin Belta
- Abstract要約: 本稿では,プレフィックス信号と呼ばれる,時間とともに漸進的に受信される信号のラベルを予測する手法を提案する。
与えられたデータセットから有限個の信号時間論理(STL)仕様を生成するための,決定木に基づく新しい手法を提案する。
本アルゴリズムの有効性と分類性能を,都市交通と海軍監視ケーススタディで評価した。
- 参考スコア(独自算出の注目度): 3.167882687550935
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Real-time and human-interpretable decision-making in cyber-physical systems
is a significant but challenging task, which usually requires predictions of
possible future events from limited data. In this paper, we introduce a
time-incremental learning framework: given a dataset of labeled signal traces
with a common time horizon, we propose a method to predict the label of a
signal that is received incrementally over time, referred to as prefix signal.
Prefix signals are the signals that are being observed as they are generated,
and their time length is shorter than the common horizon of signals. We present
a novel decision-tree based approach to generate a finite number of Signal
Temporal Logic (STL) specifications from the given dataset, and construct a
predictor based on them. Each STL specification, as a binary classifier of
time-series data, captures the temporal properties of the dataset over time.
The predictor is constructed by assigning time-variant weights to the STL
formulas. The weights are learned by using neural networks, with the goal of
minimizing the misclassification rate for the prefix signals defined over the
given dataset. The learned predictor is used to predict the label of a prefix
signal, by computing the weighted sum of the robustness of the prefix signal
with respect to each STL formula. The effectiveness and classification
performance of our algorithm are evaluated on an urban-driving and a
naval-surveillance case studies.
- Abstract(参考訳): サイバー物理システムにおけるリアルタイムおよび人間解釈可能な意思決定は重要な課題であるが、通常は限られたデータから将来の事象を予測する必要がある。
本稿では,共通の時間軸を持つラベル付き信号トレースのデータセットを与えられた場合,プレフィックス信号と呼ばれる時間とともに徐々に受信される信号のラベルを予測する手法を提案する。
プリフィックス信号は発生時に観測される信号であり、その時間の長さは信号の一般的な水平線よりも短い。
本稿では,与えられたデータセットから有限個の信号時相論理(stl)仕様を生成し,それに基づく予測器を構築するための新しい決定木に基づく手法を提案する。
各stl仕様は、時系列データのバイナリ分類器として、データセットの時間的特性をキャプチャする。
予測器は、時間変化重みをstl公式に割り当てて構成する。
重み付けはニューラルネットワークを使って学習され、与えられたデータセット上で定義されたプレフィックス信号の誤分類率を最小化する。
学習された予測器は、各stl公式に対するプレフィックス信号のロバスト性の重み付け和を演算することにより、プレフィックス信号のラベルを予測するために使用される。
本アルゴリズムの有効性と分類性能は, 都市走行と海軍サーベイランスのケーススタディで評価した。
関連論文リスト
- CLaSP: Learning Concepts for Time-Series Signals from Natural Language Supervision [3.8506666685467352]
CLaSP」は、その信号の特徴をクエリとして記述した自然言語を用いて時系列信号を検索することができる。
CLaSP」は時系列信号データの自然言語検索を可能にし、信号データの変化点を正確に学習することができる。
論文 参考訳(メタデータ) (2024-11-13T07:32:58Z) - State Sequences Prediction via Fourier Transform for Representation
Learning [111.82376793413746]
本研究では,表現表現を効率よく学習する新しい方法である,フーリエ変換(SPF)による状態列予測を提案する。
本研究では,状態系列における構造情報の存在を理論的に解析する。
実験により,提案手法はサンプル効率と性能の両面で,最先端のアルゴリズムよりも優れていることが示された。
論文 参考訳(メタデータ) (2023-10-24T14:47:02Z) - 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) - Time-to-Green predictions for fully-actuated signal control systems with
supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。
我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。
スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文 参考訳(メタデータ) (2022-08-24T07:50:43Z) - Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。
LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。
標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
論文 参考訳(メタデータ) (2021-06-23T18:00:05Z) - Inferring Temporal Logic Properties from Data using Boosted Decision
Trees [3.4606842570088094]
本論文は,学習に基づくロボット制御の解釈に向けた第一歩である。
本稿では,漸進的な公式と予測学習という新しい学習問題を導入する。
本稿では,弱いが計算コストの低い学習者による予測と性能向上を実現するために,強化された決定木アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-05-24T19:29:02Z) - 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) - Representation Learning for Sequence Data with Deep Autoencoding
Predictive Components [96.42805872177067]
本稿では,シーケンスデータの有用な表現が潜在空間における単純な構造を示すべきという直感に基づく,シーケンスデータの自己教師型表現学習法を提案する。
我々は,過去と将来のウィンドウ間の相互情報である潜在特徴系列の予測情報を最大化することにより,この潜時構造を奨励する。
提案手法は,ノイズの多い動的システムの潜時空間を復元し,タスク予測のための予測特徴を抽出し,エンコーダを大量の未ラベルデータで事前訓練する場合に音声認識を改善する。
論文 参考訳(メタデータ) (2020-10-07T03:34:01Z) - Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。
ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。
本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-05T07:06:19Z)
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。