論文の概要: T-ILR: a Neurosymbolic Integration for LTLf

• arxiv url: http://arxiv.org/abs/2508.15943v1
• Date: Thu, 21 Aug 2025 20:24:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.180633
• Title: T-ILR: a Neurosymbolic Integration for LTLf
• Title（参考訳）: T-ILR : LTLfのニューロシンボリック統合
• Abstract要約: 本稿では,時間論理の仕様をシーケンスベースタスクのためのディープラーニングアーキテクチャに直接組み込むニューロシンボリックフレームワークを提案する。 提案手法をT-ILR (Temporal Iterative Local Refinement) と呼ぶ。
• 参考スコア（独自算出の注目度）: 47.316620315732024
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: State-of-the-art approaches for integrating symbolic knowledge with deep learning architectures have demonstrated promising results in static domains. However, methods to handle temporal logic specifications remain underexplored. The only existing approach relies on an explicit representation of a finite-state automaton corresponding to the temporal specification. Instead, we aim at proposing a neurosymbolic framework designed to incorporate temporal logic specifications, expressed in Linear Temporal Logic over finite traces (LTLf), directly into deep learning architectures for sequence-based tasks. We extend the Iterative Local Refinement (ILR) neurosymbolic algorithm, leveraging the recent introduction of fuzzy LTLf interpretations. We name this proposed method Temporal Iterative Local Refinement (T-ILR). We assess T-ILR on an existing benchmark for temporal neurosymbolic architectures, consisting of the classification of image sequences in the presence of temporal knowledge. The results demonstrate improved accuracy and computational efficiency compared to the state-of-the-art method.
• Abstract（参考訳）: 記号的知識をディープラーニングアーキテクチャに統合するための最先端のアプローチは、静的ドメインで有望な結果を示している。 しかし、時間論理仕様を扱う方法はまだ未定である。 現存する唯一のアプローチは、時間的仕様に対応する有限状態オートマトンを明示的に表現することに依存する。 代わりに、有限トレース(LTLf)上での線形時間論理で表現された時間論理仕様を、シーケンスベースタスクのためのディープラーニングアーキテクチャに直接組み込むために設計されたニューロシンボリックフレームワークを提案する。 我々は,最近のファジィLTLf解釈の導入を利用して,ILRニューロシンボリックアルゴリズムを拡張した。 提案手法をT-ILR (T-ILR) と呼ぶ。 我々は、時間的知識の存在下での画像シーケンスの分類を含む、時間的ニューロシンボリックアーキテクチャの既存のベンチマークに基づいて、T-ILRを評価する。 その結果,最先端手法と比較して精度と計算効率が向上した。

関連論文リスト

• Time to Reason: Scalable Neurosymbolic Learning for LTLf via Fuzzy Semantics [47.83993205745467]
  Neurosymbolic (NeSy) Artificial Intelligenceは、Deep Learning (DL)アーキテクチャとシンボリック推論を統合することを目的としている。 最近の研究は、時間論理学のためのニューロシンボリックフレームワークの構築に対処し始めている。 これらのアプローチは、時間的制約の下での学習の基礎を築いた、有望な研究の方向性として、時間的NeSyを確立した。
  論文  参考訳（メタデータ） (2026-08-17T11:40:27Z)
• Learning Structural Convergence: A Neuro-Symbolic Benchmark for Temporal Reasoning [2.7644691581661287]
  本稿では,高複雑性イベント駆動システムにおける時間構造推論のベンチマークであるTRACTAを紹介する。 ベンチマークには、 early_warning、 pattern_detection、run_classificationの3つのタスクが含まれている。 結果から, 生の事象レベルの学習は依然として有意であるが, 意味的能力に対する時間的モデリングは, 最高集合点推定を達成していることがわかった。
  論文  参考訳（メタデータ） (2026-07-24T14:50:19Z)
• First-Order Temporal Logic Tensor Networks [47.56930079312276]
  本稿では、論理ネットワークの拡張であるFOT-LTN(First-Order Temporal Logic Networks)を提案する。 特に、FOT-LTNは、一階線形時間論理の構文と、LTNのファジィ(および実数値)意味論とを結合する。 最初の評価は、専用の(純粋に神経的な)方法に関する2つの合成データセットの時間知識グラフ補完タスクを考慮したものである。
  論文  参考訳（メタデータ） (2026-06-29T08:48:23Z)
• Dynamics and Representation Structure of Local Approximations to Gradient-Based Learning in Linear Recurrent Neural Networks [56.42974363744522]
  ランダム・フィードバック・ローカル・オンライン(RFLO)の学習動態と時間による逆伝播(tBPTT)について検討する。 我々の研究は、局所性制約が学習力学をどう形成するかに関する分析的な洞察を提供し、学習の神経科学的モデルやRNNの代替最適化アプローチに影響を及ぼす。
  論文  参考訳（メタデータ） (2026-05-29T18:19:45Z)
• Zero-Shot Instruction Following in RL via Structured LTL Representations [50.41415009303967]
  マルチタスク強化学習では、エージェントが訓練中に見えない新しいタスクをゼロショットで実行しなければならない。 この設定では、最近、時間的に拡張された構造化タスクを特定するための強力なフレームワークとして線形時間論理が採用されている。 既存のアプローチはジェネラリストの政策を訓練することに成功しているが、仕様に固有のリッチな論理的・時間的構造を効果的に捉えるのに苦労することが多い。
  論文  参考訳（メタデータ） (2026-02-15T23:22:50Z)
• DeepDFA: Injecting Temporal Logic in Deep Learning for Sequential Subsymbolic Applications [2.5234156040689233]
  DeepDFAは、高レベルの時間論理をニューラルアーキテクチャに統合する、ニューロシンボリックなフレームワークである。 我々は,DeepDFAが静的な画像シーケンス分類と,インタラクティブな非マルコフ環境下でのポリシー学習の2つの重要な設定でどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2026-02-03T12:59:47Z)
• Neuro-Symbolic Predictive Process Monitoring [7.295472411867107]
  本稿では,データ駆動学習と時間論理に基づく事前知識を統合したニューロシンボリック予測プロセスモニタリング(PPM)手法を提案する。 本稿では,有限トレース(LTLf)上の線形時間論理を自己回帰列予測器のトレーニングプロセスに組み込む新しい手法を提案する。 実世界の3つのデータセットを実験的に評価したところ,本手法は接尾辞予測精度と時間的制約の遵守を改善した。
  論文  参考訳（メタデータ） (2025-08-31T13:07:17Z)
• LTLZinc: a Benchmarking Framework for Continual Learning and Neuro-Symbolic Temporal Reasoning [12.599235808369112]
  継続的な学習は、時間とともに知識を広げ、以前学んだ概念を忘れることを避けながらスキルを向上させるエージェントに関係する。 ニューロシンボリック人工知能の既存のアプローチのほとんどは、静的シナリオのみに適用されている。 私たちは、さまざまな問題をカバーするデータセットを生成するために使用できるベンチマークフレームワークであるZincを紹介します。
  論文  参考訳（メタデータ） (2025-07-23T13:04:13Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [55.09326865401653]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• Formally Verified Neurosymbolic Trajectory Learning via Tensor-based Linear Temporal Logic on Finite Traces [0.0]
  有限トレース(LTLf)上の線形時間論理に対するテンソル意味論の新しい形式化を提案する。 我々は,この形式化を,制約に対する識別可能な損失関数の定義と検証によって,ニューロシンボリック学習プロセスに統合できることを実証した。 この損失を利用して、プロセスは事前に特定された論理的制約を満たすことを学ぶ。
  論文  参考訳（メタデータ） (2025-01-23T14:43:12Z)
• 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)
• TC-LIF: A Two-Compartment Spiking Neuron Model for Long-Term Sequential Modelling [54.97005925277638]
  潜在的な可能性や危険に関連する感覚的手がかりの同定は、長期間の遅延によって有用な手がかりを分離する無関係な事象によってしばしば複雑になる。 SNN(State-of-the-art spiking Neural Network)は、遠方のキュー間の長期的な時間的依存関係を確立する上で、依然として困難な課題である。 そこで本研究では,T-LIFとよばれる,生物学的にインスパイアされたTwo-compartment Leaky Integrate- and-Fireのスパイキングニューロンモデルを提案する。
  論文  参考訳（メタデータ） (2023-08-25T08:54:41Z)
• 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)
• Multi-Agent Reinforcement Learning with Temporal Logic Specifications [65.79056365594654]
  本研究では,時間論理仕様を満たすための学習課題を,未知の環境下でエージェントのグループで検討する。 我々は、時間論理仕様のための最初のマルチエージェント強化学習手法を開発した。 主アルゴリズムの正確性と収束性を保証する。
  論文  参考訳（メタデータ） (2021-02-01T01:13:03Z)
• Neural Architecture Search For LF-MMI Trained Time Delay Neural Networks [61.76338096980383]
  TDNN(State-of-the-the-art Factored Time delay Neural Network)の2種類のハイパーパラメータを自動的に学習するために、さまざまなニューラルネットワークサーチ(NAS)技術が使用されている。 DARTSメソッドはアーキテクチャ選択とLF-MMI(格子のないMMI)TDNNトレーニングを統合する。 300時間のSwitchboardコーパスで行われた実験では、自動構成システムはベースラインLF-MMI TDNNシステムより一貫して優れていることが示唆された。
  論文  参考訳（メタデータ） (2020-07-17T08:32:11Z)
• Supporting Optimal Phase Space Reconstructions Using Neural Network Architecture for Time Series Modeling [68.8204255655161]
  位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。 私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
  論文  参考訳（メタデータ） (2020-06-19T21:04:47Z)

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。