論文の概要: Mining Beyond the Bools: Learning Data Transformations and Temporal Specifications

• arxiv url: http://arxiv.org/abs/2603.06710v1
• Date: Thu, 05 Mar 2026 19:56:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:12.897248
• Title: Mining Beyond the Bools: Learning Data Transformations and Temporal Specifications
• Title（参考訳）: Mining Beyond the Bools: Learning Data Transformations and Temporal Specifications
• Authors: Sam Nicholas Kouteili, William Fishell, Christian Scaff, Mark Santolucito, Ruzica Piskac,
• Abstract要約: よりリッチなデータタイプを操作するために、マイニング手順を拡張します。 我々は,OpenAI-Gymnasium ToyText環境上でのマイニング仕様からリアクティブプログラムを実演する。
• 参考スコア（独自算出の注目度）: 2.5164739639003364
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mining specifications from execution traces presents an automated way of capturing characteristic system behaviors. However, existing approaches are largely restricted to Boolean abstractions of events, limiting their ability to express data-aware properties. In this paper, we extend mining procedures to operate over richer datatypes. We first establish candidate functions in our domain that cover the set of traces by leveraging Syntax Guided Synthesis (SyGuS) techniques. To capture these function applications temporally, we formalize the semantics of TSL$_f$, a finite-prefix interpretation of Temporal Stream Logic (TSL) that extends LTL$_f$ with support for first-order predicates and functional updates. This allows us to unify a corresponding procedure for learning the data transformations and temporal specifications of a system. We demonstrate our approach synthesizing reactive programs from mined specifications on the OpenAI-Gymnasium ToyText environments, finding that our method is more robust and orders of magnitude more sample-efficient than passive learning baselines on generalized problem instances.
• Abstract（参考訳）: 実行トレースから仕様をマイニングすることは、特徴的なシステムの振る舞いを自動でキャプチャする方法を提供する。 しかし、既存のアプローチはイベントのブール抽象に大きく制限されており、データ認識プロパティの表現能力が制限されている。 本稿では,よりリッチなデータタイプ上でのマイニング手順を拡張した。 まず、SyGuS(Syntax Guided Synthesis)技術を利用して、トレースの集合をカバーする候補関数を確立する。 これらの関数アプリケーションを時間的にキャプチャするために、時間的ストリーム論理(TSL)の有限プレフィックス解釈であるTSL$_f$のセマンティクスを形式化し、LTL$_f$を拡張し、一階述語と関数的更新をサポートする。 これにより、システムのデータ変換と時間的仕様を学習するための対応する手順を統一することができます。 我々は,OpenAI-Gymnasium ToyText環境におけるマイニング仕様からリアクティブプログラムを合成し,本手法がより堅牢で,汎用問題インスタンス上での受動的学習ベースラインよりも桁違いにサンプル効率が高いことを発見した。

関連論文リスト

• Step-Level Sparse Autoencoder for Reasoning Process Interpretation [48.99201531966593]
  大規模言語モデル(LLM)は、Chain-of-Thought(CoT)推論を通じて、強力な複雑な推論機能を実現している。 本稿では,ステップレベルスパースオートエンコーダ (SSAE) を提案する。 複数の基本モデルと推論タスクの実験により,抽出した特徴の有効性が示された。
  論文  参考訳（メタデータ） (2026-03-03T14:25:02Z)
• Semantically Labelled Automata for Multi-Task Reinforcement Learning with LTL Instructions [61.479946958462754]
  エージェントが単一のユニバーサルポリシーを学習する環境であるマルチタスク強化学習(RL)について検討する。 本稿では,新世代の意味翻訳を利用したタスク埋め込み手法を提案する。
  論文  参考訳（メタデータ） (2026-02-06T14:46:27Z)
• Zero-Shot Instruction Following in RL via Structured LTL Representations [54.08661695738909]
  リニア時間論理(LTL)は、強化学習(RL)エージェントのための複雑で構造化されたタスクを特定するための魅力的なフレームワークである。 近年の研究では、命令を有限オートマトンとして解釈し、タスク進捗を監視する高レベルプログラムと見なすことができ、テスト時に任意の命令を実行することのできる1つのジェネラリストポリシーを学習できることが示されている。 本稿では,この欠点に対処する任意の命令に従うために,マルチタスクポリシーを学習するための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-12-02T10:44:51Z)
• Bridging Logic and Learning: Decoding Temporal Logic Embeddings via Transformers [2.33432538444645]
  我々はTransformerベースのデコーダのみのモデルをトレーニングし、論理式のセマンティック埋め込みを反転させる。 このモデルでは,1エポック後に有効な式を生成でき,約10エポックで論理のセマンティクスに一般化可能であることを示す。
  論文  参考訳（メタデータ） (2025-07-10T14:35:37Z)
• Learning Probabilistic Temporal Logic Specifications for Stochastic Systems [24.82640206181621]
  マルコフ連鎖の集合から簡潔なL仕様を推論する新しい学習アルゴリズムを提案する。 我々はアルゴリズムの有効性を,アルゴリズムによって誘導されるポリシーから学習し,確率論的モデルから学習する2つのユースケースで示す。
  論文  参考訳（メタデータ） (2025-05-17T18:19:35Z)
• STLCG++: A Masking Approach for Differentiable Signal Temporal Logic Specification [9.039665244779185]
  STLCG++は、STL計算と時間ステップ間のバックプロパゲーションを並列化するマスキングベースのアプローチである。 また、時間間隔境界の微分を可能にするスムース化手法を導入し、勾配に基づく最適化タスクにおけるSTLの適用性を拡大する。
  論文  参考訳（メタデータ） (2025-01-08T00:06:43Z)
• Bisimulation Learning [55.859538562698496]
  我々は、大きな、潜在的に無限の状態空間を持つ状態遷移系の有限バイシミュレートを計算する。 提案手法は,実際に行われている他の最先端ツールよりも高速な検証結果が得られる。
  論文  参考訳（メタデータ） (2024-05-24T17:11:27Z)
• 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)
• 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)
• Instruction Position Matters in Sequence Generation with Large Language Models [67.87516654892343]
  大規模言語モデル(LLM)は、翻訳や要約といった条件付きシーケンス生成タスクを実行することができる。 入力文の後にタスク命令の位置をシフトさせることにより,LLMの指示追従能力を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-08-23T12:36:57Z)

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。