論文の概要: Conformalized Signal Temporal Logic Inference under Covariate Shift

• arxiv url: http://arxiv.org/abs/2603.27062v1
• Date: Sat, 28 Mar 2026 00:38:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.761922
• Title: Conformalized Signal Temporal Logic Inference under Covariate Shift
• Title（参考訳）: 共変量シフトの下での等角化信号時間論理推論
• Abstract要約: 信号時間論理(STL)推論は力学系における時間的挙動の解釈可能な論理規則を学習する。 提案フレームワークは,STLの公式の解釈可能性を維持しつつ,デプロイ時のシンボル学習の信頼性を大幅に向上させる。
• 参考スコア（独自算出の注目度）: 13.843989967082031
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Signal Temporal Logic (STL) inference learns interpretable logical rules for temporal behaviors in dynamical systems. To ensure the correctness of learned STL formulas, recent approaches have incorporated conformal prediction as a statistical tool for uncertainty quantification. However, most existing methods rely on the assumption that calibration and testing data are identically distributed and exchangeable, an assumption that is frequently violated in real-world settings. This paper proposes a conformalized STL inference framework that explicitly addresses covariate shift between training and deployment trajectories dataset. From a technical standpoint, the approach first employs a template-free, differentiable STL inference method to learn an initial model, and subsequently refines it using a limited deployment side dataset to promote distribution alignment. To provide validity guarantees under distribution shift, the framework estimates the likelihood ratio between training and deployment distributions and integrates it into an STL-robustness-based weighted conformal prediction scheme. Experimental results on trajectory datasets demonstrate that the proposed framework preserves the interpretability of STL formulas while significantly improving symbolic learning reliability at deployment time.
• Abstract（参考訳）: 信号時間論理(STL)推論は力学系における時間的挙動の解釈可能な論理規則を学習する。 学習したSTLの公式の正当性を確保するため、最近の手法では不確実性定量化のための統計ツールとして共形予測を取り入れている。 しかし、既存のほとんどの手法は、キャリブレーションとテストデータが同一に分散し交換可能であるという仮定に依存している。 本稿では、トレーニングとデプロイメントトラジェクトリデータセットの共分散シフトに明示的に対処する共形STL推論フレームワークを提案する。 技術的な観点から、このアプローチは最初、初期モデルを学習するためにテンプレートフリーで微分可能なSTL推論メソッドを使用し、その後、限定されたデプロイメントサイドデータセットを使用してそれを洗練し、分散アライメントを促進する。 分散シフト下での妥当性保証を実現するため、このフレームワークは、トレーニングとデプロイメントの分布の確率比を推定し、STLロバストネスに基づく重み付き共形予測スキームに統合する。 トラジェクトリデータセットの実験結果から,提案フレームワークは,STL公式の解釈可能性を維持しつつ,デプロイ時のシンボル学習の信頼性を著しく向上することを示した。

関連論文リスト

• TRACE: Transport Alignment Conformal Prediction via Diffusion and Flow Matching Models [4.9352098965615]
  多次元出力に対して有効な情報領域を構築する方法について検討する。 交通路の速度や誤差を平均化することにより,候補出力が学習した生成力学とどの程度一致しているかを計測する。 結果として得られるトランスポートベースのスコアはスカラー値であり、共形予測分割を用いて校正することができる。
  論文  参考訳（メタデータ） (2026-05-08T01:28:57Z)
• Adaptive Conformal Anomaly Detection with Time Series Foundation Models for Signal Monitoring [1.7149326108409726]
  時系列監視のためのポストホック適応型共形異常検出法を提案する。 本手法は,誤報率(p値)として直接解釈可能な,解釈可能な異常スコアを生成する。 モデルに依存しないソリューションとして、ファンデーションモデルとシームレスに統合し、リソース制約のある環境での迅速なデプロイをサポートする。
  論文  参考訳（メタデータ） (2026-04-22T02:39:46Z)
• Transfer learning for scalar-on-function regression via control variates [4.435940475554593]
  伝達学習(TL)は、推定と予測性能を改善する強力なツールとして登場した。 本稿では,データセット固有の要約統計にのみ依存するフレームワークを提案する。 我々は,既存のTL戦略間の理論的関係を確立し,CVSベースの提案に対する収束率を導出する。
  論文  参考訳（メタデータ） (2026-01-23T23:02:57Z)
• Uncover and Unlearn Nuisances: Agnostic Fully Test-Time Adaptation [46.46865123564661]
  FTTA(Fully Test-Time Adaptation)は、トレーニング済みモデルのソースデータやトレーニングプロトコルにアクセスせずに、ドメインシフトに対処する。 FTTAでは、トレーニングデータや予測不可能なターゲットドメインが存在しないため、ソースとターゲットの特徴分布を調整する従来の戦略は実現不可能である。 本稿では,テスト期間中に市販のドメイン変換を利用できる新しい定式化としてAgnostic FTTAを提案する。
  論文  参考訳（メタデータ） (2025-11-16T08:01:50Z)
• Conformal Prediction for Signal Temporal Logic Inference [13.843989967082031]
  信号時間論理(STL)推論は時系列データから人間の解釈可能な規則を抽出しようとする。 既存のメソッドには、推論されたルールに対する正式な信頼性保証がない。 STL推論のためのエンドツーエンドの差別化可能なCPフレームワークを導入し、信頼性と解釈性の両方を向上させる。
  論文  参考訳（メタデータ） (2025-09-29T20:25:02Z)
• Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
  将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。 本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-18T21:14:07Z)
• Latent Diffusion Model Based Denoising Receiver for 6G Semantic Communication: From Stochastic Differential Theory to Application [11.385703484113552]
  生成人工知能(GAI)を利用した新しい意味コミュニケーションフレームワークを提案する。 意味的特徴抽出のための変分オートエンコーダを組み合わせた潜在拡散モデル(LDM)に基づくセマンティックコミュニケーションフレームワークを提案する。 提案システムはゼロショットの一般化をサポートし,低SNRおよびアウト・オブ・ディストリビューション条件下での優れた性能を実現する訓練自由フレームワークである。
  論文  参考訳（メタデータ） (2025-06-06T03:20:32Z)
• Partial Transportability for Domain Generalization [56.37032680901525]
  本稿では, 部分的同定と輸送可能性の理論に基づいて, 対象分布の関数値の有界化に関する新たな結果を紹介する。 我々の貢献は、輸送可能性問題に対する最初の一般的な評価手法を提供することである。 本稿では,スケーラブルな推論を実現するための勾配に基づく最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-03-30T22:06:37Z)
• Rectifying Conformity Scores for Better Conditional Coverage [75.73184036344908]
  本稿では,分割共形予測フレームワーク内で信頼セットを生成する新しい手法を提案する。 本手法は,任意の適合度スコアのトレーニング可能な変換を行い,条件付き範囲を正確に確保しつつ,条件付き範囲を改善する。
  論文  参考訳（メタデータ） (2025-02-22T19:54:14Z)
• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)
• Statistical Reachability Analysis of Stochastic Cyber-Physical Systems under Distribution Shift [0.061446808540639365]
  到達可能性分析は、サイバー物理システムの安全性を保証する一般的な方法である。 本稿では,力学の記号的記述を持たないSCPSに対して,到達可能性解析を行う際の問題点について検討する。 本稿では,このしきい値よりも小さい確率で,展開中の到達可能な状態がこのセットに存在することを保証する統計的到達可能性解析手法を提案する。
  論文  参考訳（メタデータ） (2024-07-16T11:18:41Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• Comparing Probability Distributions with Conditional Transport [63.11403041984197]
  新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。 ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。 さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
  論文  参考訳（メタデータ） (2020-12-28T05:14:22Z)

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。