論文の概要: Enhancing Transformation from Natural Language to Signal Temporal Logic Using LLMs with Diverse External Knowledge

• arxiv url: http://arxiv.org/abs/2505.20658v1
• Date: Tue, 27 May 2025 03:07:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.372718
• Title: Enhancing Transformation from Natural Language to Signal Temporal Logic Using LLMs with Diverse External Knowledge
• Title（参考訳）: 異なる外部知識を持つLLMを用いた自然言語から信号時間論理への変換の促進
• Authors: Yue Fang, Zhi Jin, Jie An, Hongshen Chen, Xiaohong Chen, Naijun Zhan,
• Abstract要約: STL-Diversity-Enhanced (STL-DivEn) と呼ばれるNL-STLデータセットを提案する。 データセットを開発するために、まず手動でNL-STLペアの小さなシードセットを作成する。 代表的な例はクラスタリングを通じて識別され、大きな言語モデルをガイドするために使用される。 最後に、厳密なルールベースのフィルタと人間の検証によって、多様性と精度が保証される。
• 参考スコア（独自算出の注目度）: 23.50725254650578
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal Logic (TL), especially Signal Temporal Logic (STL), enables precise formal specification, making it widely used in cyber-physical systems such as autonomous driving and robotics. Automatically transforming NL into STL is an attractive approach to overcome the limitations of manual transformation, which is time-consuming and error-prone. However, due to the lack of datasets, automatic transformation currently faces significant challenges and has not been fully explored. In this paper, we propose an NL-STL dataset named STL-Diversity-Enhanced (STL-DivEn), which comprises 16,000 samples enriched with diverse patterns. To develop the dataset, we first manually create a small-scale seed set of NL-STL pairs. Next, representative examples are identified through clustering and used to guide large language models (LLMs) in generating additional NL-STL pairs. Finally, diversity and accuracy are ensured through rigorous rule-based filters and human validation. Furthermore, we introduce the Knowledge-Guided STL Transformation (KGST) framework, a novel approach for transforming natural language into STL, involving a generate-then-refine process based on external knowledge. Statistical analysis shows that the STL-DivEn dataset exhibits more diversity than the existing NL-STL dataset. Moreover, both metric-based and human evaluations indicate that our KGST approach outperforms baseline models in transformation accuracy on STL-DivEn and DeepSTL datasets.
• Abstract（参考訳）: テンポラル論理(TL)、特にシグナルテンポラル論理(STL)は正確な形式仕様を実現し、自律運転やロボット工学などのサイバー物理システムで広く使われている。 NLをSTLに自動変換することは、手動変換の限界を克服するための魅力的なアプローチである。 しかし、データセットが不足しているため、自動変換は現在重大な課題に直面しており、完全には調査されていない。 本稿では,STL-Diversity-Enhanced (STL-DivEn)と呼ばれるNL-STLデータセットを提案する。 データセットを開発するために、まず手動でNL-STLペアの小さなシードセットを作成する。 次に、クラスタリングによって代表例を識別し、さらにNL-STLペアを生成するために大きな言語モデル(LLM)を誘導する。 最後に、厳密なルールベースのフィルタと人間の検証によって、多様性と精度が保証される。 さらに、自然言語をSTLに変換する新しい手法であるKGST(Knowledge-Guided STL Transformation)フレームワークについても紹介する。 統計的分析によると、STL-DivEnデータセットは既存のNL-STLデータセットよりも多様性が高い。 さらに,KGST手法は,STL-DivEnおよびDeepSTLデータセットの変換精度において,ベースラインモデルよりも優れていることを示す。

関連論文リスト

• CoT-TL: Low-Resource Temporal Knowledge Representation of Planning Instructions Using Chain-of-Thought Reasoning [0.0]
  CoT-TLは、自然言語仕様を表現に変換するためのデータ効率のよいインコンテキスト学習フレームワークである。 CoT-TLは、ローデータシナリオで3つの多様なデータセット間で最先端の精度を達成する。
  論文  参考訳（メタデータ） (2024-10-21T17:10:43Z)
• SELF-GUIDE: Better Task-Specific Instruction Following via Self-Synthetic Finetuning [70.21358720599821]
  大規模言語モデル(LLM)は、適切な自然言語プロンプトを提供する際に、多様なタスクを解決するという約束を持っている。 学生LLMからタスク固有の入出力ペアを合成する多段階メカニズムであるSELF-GUIDEを提案する。 ベンチマークの指標から,分類タスクに約15%,生成タスクに18%の絶対的な改善を報告した。
  論文  参考訳（メタデータ） (2024-07-16T04:41:58Z)
• Curated LLM: Synergy of LLMs and Data Curation for tabular augmentation in low-data regimes [57.62036621319563]
  本稿では,Large Language Models (LLMs) の知識を低データ構造におけるデータ拡張に活用したCLLMを紹介する。 従来のジェネレータと比較して,低データ方式におけるCLLMの優れた性能を示す。
  論文  参考訳（メタデータ） (2023-12-19T12:34:46Z)
• NL2TL: Transforming Natural Languages to Temporal Logics using Large Language Models [11.913662099158033]
  TL(Temporal Logic)は、多くのエンジニアリングアプリケーションにおいて、複雑な高レベル仕様を厳格に指定するために用いられる。 本稿では,NLからTLへの英語命令の正確かつ一般化可能な変換フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-12T21:22:08Z)
• Data-Efficient Learning of Natural Language to Linear Temporal Logic Translators for Robot Task Specification [6.091096843566857]
  本稿では、自然言語コマンドから、人間ラベルの訓練データに制限のある仕様への変換を学習ベースで行う手法を提案する。 これは、人間のラベル付きデータセットを必要とする既存の自然言語から翻訳者への変換とは対照的である。 自然言語コマンドを75%の精度で翻訳できることを示す。
  論文  参考訳（メタデータ） (2023-03-09T00:09:58Z)
• Interactive Learning from Natural Language and Demonstrations using Signal Temporal Logic [5.88797764615148]
  自然言語(NL)は曖昧で、現実世界のタスクであり、それらの安全性要件はあいまいにコミュニケーションする必要がある。 Signal Temporal Logic (STL) は、ロボットタスクを記述するための汎用的で表現力があり、曖昧な形式言語として機能する形式論理である。 DIALOGUESTLは,(しばしば)曖昧なNL記述から正確かつ簡潔なSTL公式を学習するための対話的手法である。
  論文  参考訳（メタデータ） (2022-07-01T19:08:43Z)
• Few-shot Natural Language Generation for Task-Oriented Dialog [113.07438787659859]
  FewShotWozは,タスク指向対話システムにおける数ショットの学習設定をシミュレートする最初の NLG ベンチマークである。 我々は, SC-GPTモデルを開発し, その制御可能な生成能力を得るために, 注釈付きNLGコーパスの大規模なセットで事前学習を行った。 FewShotWozとMulti-Domain-WOZデータセットの実験は、提案したSC-GPTが既存の手法を大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2020-02-27T18:48:33Z)

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。