論文の概要: Retrieval-Augmented Mining of Temporal Logic Specifications from Data
- arxiv url: http://arxiv.org/abs/2405.14355v1
- Date: Thu, 23 May 2024 09:29:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-24 17:54:56.001101
- Title: Retrieval-Augmented Mining of Temporal Logic Specifications from Data
- Title（参考訳）: データからの時間論理仕様の検索強化マイニング
- Authors: Gaia Saveri, Luca Bortolussi,
- Abstract要約: この研究は、観測された振る舞いからデータ駆動的な方法でSTL要求を学習するタスクに対処する。
本稿では,ベイズ最適化(BO)と情報検索(IR)技術を組み合わせて,STL式の構造とパラメータを同時に学習する新しいフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.46040036610482665
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The integration of cyber-physical systems (CPS) into everyday life raises the critical necessity of ensuring their safety and reliability. An important step in this direction is requirement mining, i.e. inferring formally specified system properties from observed behaviors, in order to discover knowledge about the system. Signal Temporal Logic (STL) offers a concise yet expressive language for specifying requirements, particularly suited for CPS, where behaviors are typically represented as time series data. This work addresses the task of learning STL requirements from observed behaviors in a data-driven manner, focusing on binary classification, i.e. on inferring properties of the system which are able to discriminate between regular and anomalous behaviour, and that can be used both as classifiers and as monitors of the compliance of the CPS to desirable specifications. We present a novel framework that combines Bayesian Optimization (BO) and Information Retrieval (IR) techniques to simultaneously learn both the structure and the parameters of STL formulae, without restrictions on the STL grammar. Specifically, we propose a framework that leverages a dense vector database containing semantic-preserving continuous representations of millions of formulae, queried for facilitating the mining of requirements inside a BO loop. We demonstrate the effectiveness of our approach in several signal classification applications, showing its ability to extract interpretable insights from system executions and advance the state-of-the-art in requirement mining for CPS.
- Abstract（参考訳）: サイバー物理システム(CPS)の日常生活への統合は、安全性と信頼性を確保するための重要な必要性を高める。
この方向の重要なステップは、要求マイニング、すなわち、システムに関する知識を発見するために、観測された振る舞いから公式に指定されたシステム特性を推測することである。
Signal Temporal Logic (STL) は、要求を指定するための簡潔だが表現力のある言語を提供する。
本研究は、データ駆動方式で観測された動作からSTL要求を学習するタスクに対処し、二項分類、すなわち、正常な動作と異常な動作を区別できるシステムの特性の推論に焦点をあて、CPSが望ましい仕様に適合していることのモニターとして、分類器と使用することができる。
本稿では,ベイズ最適化(BO)と情報検索(IR)技術を組み合わせて,STL文法に制約を加えることなく,STL式の構造とパラメータを同時に学習するフレームワークを提案する。
具体的には,BOループ内の要求のマイニングを容易にするために,数百万の式からなる意味保存連続表現を含む高密度ベクトルデータベースを利用するフレームワークを提案する。
提案手法の有効性をいくつかの信号分類に適用し,システム実行から解釈可能な洞察を抽出し,CPSにおける要件マイニングの最先端化を図った。
関連論文リスト
- Short-Long Convolutions Help Hardware-Efficient Linear Attention to Focus on Long Sequences [60.489682735061415]
本稿では,状態空間モデルを短時間の畳み込みに置き換えたCHELAを提案する。
提案手法の有効性を示すために,Long Range Arenaベンチマークと言語モデリングタスクについて実験を行った。
論文 参考訳（メタデータ） (2024-06-12T12:12:38Z) - Oblivious Monitoring for Discrete-Time STL via Fully Homomorphic Encryption [3.4764840969876722]
本稿では,サーバから算術データを隠蔽するオンラインモニタリングプロトコルを提案する。
このプロトコルは、例えば、距離、速度などを組み合わせた安全測定を計算できるように、暗号化された値上での操作を可能にする。
本プロトコルは,信号時間論理(STL)に対する離散時間実数値信号のオンラインモニタリングを可能にする。
論文 参考訳（メタデータ） (2024-05-27T02:32:16Z) - There is HOPE to Avoid HiPPOs for Long-memory State Space Models [51.66430224089725]
線形時間不変(LTI)システムを利用する状態空間モデル(SSM)は、長いシーケンスの学習において有効であることが知られている。
我々は,ハンケル作用素内のパラメータを利用するLTIシステムに対して,HOPEと呼ばれる新しいパラメータ化手法を開発した。
我々のモデルは、LTIシステムの転送関数を一様にサンプリングすることで、これらの革新を効率的に実装する。
論文 参考訳（メタデータ） (2024-05-22T20:20:14Z) - Synthesizing Efficiently Monitorable Formulas in Metric Temporal Logic [4.60607942851373]
システム実行から形式仕様を自動合成する問題を考察する。
時間論理式を合成するための古典的なアプローチの多くは、公式のサイズを最小化することを目的としている。
我々は,この概念を定式化し,有界な外見を持つ簡潔な公式を合成する学習アルゴリズムを考案する。
論文 参考訳（メタデータ） (2023-10-26T14:13:15Z) - STL-Based Synthesis of Feedback Controllers Using Reinforcement Learning [8.680676599607125]
深層強化学習(DRL)は、未知の力学を持つ様々な複雑なシステムに対するフィードバックコントローラ(エージェント)の合成に使用される可能性がある。
RLでは、報酬関数はこれらのエージェントの望ましい振る舞いを特定する上で重要な役割を果たす。
信号時間論理(STL)の量的意味論を用いて,リアルタイムに報酬を生成する体系的な方法を提案する。
我々は,STLに基づく強化学習機構をいくつかの複雑な連続制御ベンチマーク上で評価し,STLのセマンティクスと文献で利用可能なセマンティクスを,制御エージェントの合成における有効性の観点から比較した。
論文 参考訳（メタデータ） (2022-12-02T08:31:46Z) - Learning Spatio-Temporal Specifications for Dynamical Systems [0.757024681220677]
データからの論理仕様として学習時空間(ST特性)のフレームワークを提案する。
本稿では,SVM-STL(Signal Signal Temporal Logic:信号時空間論理)の拡張について紹介する。
本フレームワークは,SVM-STL仕様を空間パターンのシーケンスによって与えられるシステム実行から学習するために,機械学習技術を利用する。
論文 参考訳（メタデータ） (2021-12-20T18:03:01Z) - 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) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳（メタデータ） (2020-06-22T08:35:58Z) - On Sufficient and Necessary Conditions in Bounded CTL: A Forgetting
Approach [3.9461038686072847]
計算木論理(CTL)における忘れ書きに基づくアプローチを導入する。
本研究では, 与えられたモデルの下で, 与えられたシグネチャ上で, 最強必要条件 (SNC) と最弱十分条件 (WSC) を計算できることを示す。
また, その理論的性質について考察し, 忘れることの概念が, 知識を忘れることの本質的な仮定を満足させることを示す。
論文 参考訳（メタデータ） (2020-03-13T21:51:59Z) - Certified Reinforcement Learning with Logic Guidance [78.2286146954051]
線形時間論理(LTL)を用いて未知の連続状態/動作マルコフ決定過程(MDP)のゴールを定式化できるモデルフリーなRLアルゴリズムを提案する。
このアルゴリズムは、トレースが仕様を最大確率で満たす制御ポリシーを合成することが保証される。
論文 参考訳（メタデータ） (2019-02-02T20:09:32Z)
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。