論文の概要: Towards Interpretable Concept Learning over Time Series via Temporal Logic Semantics

• arxiv url: http://arxiv.org/abs/2508.03269v1
• Date: Tue, 05 Aug 2025 09:50:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-06 18:18:55.895778
• Title: Towards Interpretable Concept Learning over Time Series via Temporal Logic Semantics
• Title（参考訳）: 時相論理セマンティックスによる時系列の解釈可能な概念学習に向けて
• Authors: Irene Ferfoglia, Simone Silvetti, Gaia Saveri, Laura Nenzi, Luca Bortolussi,
• Abstract要約: 本稿では,軌道の直接埋め込みによる分類と説明を統一するニューロシンボリック・フレームワークを提案する。 実時間列と予め定義されたSTL式とのアライメントをマッピングする新しいSTLインスパイアされたカーネルを導入することで,モデルの精度と解釈性が向上する。 初期の結果は、モデル決定のための高品質な論理的正当性を提供しながら、競争性能を示している。
• 参考スコア（独自算出の注目度）: 0.5551869906060036
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series classification is a task of paramount importance, as this kind of data often arises in safety-critical applications. However, it is typically tackled with black-box deep learning methods, making it hard for humans to understand the rationale behind their output. To take on this challenge, we propose a neuro-symbolic framework that unifies classification and explanation through direct embedding of trajectories into a space of Signal Temporal Logic (STL) concepts. By introducing a novel STL-inspired kernel that maps raw time series to their alignment with predefined STL formulae, our model jointly optimises for accuracy and interpretability, as each prediction is accompanied by the most relevant logical concepts that characterise it. This enables classification grounded in human-interpretable temporal patterns and produces both local and global symbolic explanations. Early results show competitive performance while offering high-quality logical justifications for model decisions.
• Abstract（参考訳）: 時系列分類は、この種のデータが安全クリティカルなアプリケーションでしばしば発生するため、最重要課題である。 しかし、通常はブラックボックスのディープラーニング手法に取り組んでおり、人間が出力の背後にある理論的根拠を理解することは困難である。 この課題に取り組むために,信号時間論理(STL)概念の空間に軌道を直接埋め込むことにより,分類と説明を統一するニューロシンボリック・フレームワークを提案する。 実時間列を予め定義されたSTL式とアライメントにマッピングする新しいSTLインスパイアされたカーネルを導入することで、予測に最も関連する論理的概念が伴うので、精度と解釈可能性の両立を共同で最適化する。 これにより、人間の解釈可能な時間的パターンに基づく分類が可能となり、局所的およびグローバル的象徴的説明の両方を生成できる。 初期の結果は、モデル決定のための高品質な論理的正当性を提供しながら、競争性能を示している。

関連論文リスト

• Can Large Language Models Adequately Perform Symbolic Reasoning Over Time Series? [10.185545951475104]
  実世界の時系列のシンボリック推論を評価するためのベンチマークであるSymbolBenchを紹介する。 以前の取り組みとは異なり、SymbolBenchは様々な複雑さを持つ様々な記号形式にまたがっている。 本稿では,大規模言語モデルと遺伝的プログラミングを統合し,閉ループシンボリック推論システムを構築する統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-05T22:58:54Z)
• Towards Foundation Model on Temporal Knowledge Graph Reasoning [17.165969719351125]
  時間的知識グラフ(TKG)は、時間的事実を4重形式(s, p, o, t)で格納する。 新しいモデルは、細粒度時間パターンを捉えるために正弦波位置符号化を用いる。 PostRAは、目に見えない時間的知識グラフに強いゼロショット性能を示す。
  論文  参考訳（メタデータ） (2025-06-04T09:19:49Z)
• FreRA: A Frequency-Refined Augmentation for Contrastive Learning on Time Series Classification [56.925103708982164]
  周波数領域からの新たな視点を示し、ダウンストリーム分類の利点として、グローバル、独立、コンパクトの3つを識別する。 本稿では,分類タスクにおける時系列のコントラスト学習に適した,軽量で効果的な周波数補充拡張(FreRA)を提案する。 FreRAは、時系列分類、異常検出、転送学習タスクにおいて、常に10つの主要なベースラインを上回ります。
  論文  参考訳（メタデータ） (2025-05-29T07:18:28Z)
• ECATS: Explainable-by-design concept-based anomaly detection for time series [0.5956301166481089]
  本稿では,概念をSTL(Signal Temporal Logic)公式として表現する概念に基づくニューロシンボリックアーキテクチャであるECATSを提案する。 我々は,局所的な解釈可能性を確保しつつ,優れた分類性能が得られることを示す。
  論文  参考訳（メタデータ） (2024-05-17T08:12:53Z)
• Multi-class Temporal Logic Neural Networks [8.20828081284034]
  時系列データは、ドローンや自動運転車のような自律システムの振る舞いを表すことができる。 本稿では,時系列データのマルチクラス分類のためのSTL仕様を表すニューラルネットワークを組み合わせる手法を提案する。 提案手法を2つのデータセット上で評価し,最先端のベースラインと比較する。
  論文  参考訳（メタデータ） (2024-02-17T00:22:29Z)
• LOGICSEG: Parsing Visual Semantics with Neural Logic Learning and Reasoning [73.98142349171552]
  LOGICSEGは、神経誘導学習と論理推論をリッチデータとシンボリック知識の両方に統合する、全体論的視覚意味論である。 ファジィ論理に基づく連続的な緩和の間、論理式はデータとニューラルな計算グラフに基礎を置いており、論理によるネットワークトレーニングを可能にする。 これらの設計によりLOGICSEGは、既存のセグメンテーションモデルに容易に統合できる汎用的でコンパクトなニューラル論理マシンとなる。
  論文  参考訳（メタデータ） (2023-09-24T05:43:19Z)
• On the Consistency and Robustness of Saliency Explanations for Time Series Classification [4.062872727927056]
  時系列ウィンドウを画像として解釈するために、サリエンシマップが適用されている。 本稿では,時系列の特徴と時間的属性に対するサリエンシマップの一貫性とロバスト性について広く分析する。
  論文  参考訳（メタデータ） (2023-09-04T09:08:22Z)
• OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning [67.07363529640784]
  提案するOpenSTLは,一般的なアプローチを再帰的モデルと再帰的モデルに分類する。 我々は, 合成移動物体軌道, 人間の動き, 運転シーン, 交通流, 天気予報など, さまざまな領域にわたるデータセットの標準評価を行う。 リカレントフリーモデルは、リカレントモデルよりも効率と性能のバランスが良いことがわかった。
  論文  参考訳（メタデータ） (2023-06-20T03:02:14Z)
• Generic Temporal Reasoning with Differential Analysis and Explanation [61.96034987217583]
  時間差分解析でギャップを埋めるTODAYという新しいタスクを導入する。 TODAYは、システムがインクリメンタルな変化の効果を正しく理解できるかどうかを評価する。 共同学習においてTODAYの指導スタイルと説明アノテーションが有効であることを示す。
  論文  参考訳（メタデータ） (2022-12-20T17:40:03Z)
• Linear Temporal Logic Modulo Theories over Finite Traces (Extended Version) [72.38188258853155]
  有限トレース(LTLf)上の線形時間論理について検討する。 命題の文字は任意の理論で解釈された一階述語式に置き換えられる。 Satisfiability Modulo Theories (LTLfMT) と呼ばれる結果の論理は半決定可能である。
  論文  参考訳（メタデータ） (2022-04-28T17:57:33Z)
• Interpretable Time-series Representation Learning With Multi-Level Disentanglement [56.38489708031278]
  Disentangle Time Series (DTS)は、シーケンシャルデータのための新しいDisentanglement Enhanceingフレームワークである。 DTSは時系列の解釈可能な表現として階層的意味概念を生成する。 DTSは、セマンティック概念の解釈性が高く、下流アプリケーションで優れたパフォーマンスを実現します。
  論文  参考訳（メタデータ） (2021-05-17T22:02:24Z)

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。