論文の概要: Structural-Ambiguity-Aware Translation from Natural Language to Signal Temporal Logic

• arxiv url: http://arxiv.org/abs/2603.28426v1
• Date: Mon, 30 Mar 2026 13:33:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.418836
• Title: Structural-Ambiguity-Aware Translation from Natural Language to Signal Temporal Logic
• Title（参考訳）: 構造的両義性-自然言語から信号時相論理への翻訳
• Abstract要約: Signal Temporal Logic (STL) は、サイバー物理システムにおける時間的および安全に重要なタスクを特定するために広く使われている。 自然言語(NL)は便利なインタフェースを提供するが、その構造的曖昧さはSTLへの1対1の翻訳を信頼できないものにしている。 そこで本稿では,NLタスク記述をSTL候補式に変換するためのテキストあいまいさ保存手法を提案する。
• 参考スコア（独自算出の注目度）: 4.2873412319680035
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Signal Temporal Logic (STL) is widely used to specify timed and safety-critical tasks for cyber-physical systems, but writing STL formulas directly is difficult for non-expert users. Natural language (NL) provides a convenient interface, yet its inherent structural ambiguity makes one-to-one translation into STL unreliable. In this paper, we propose an \textit{ambiguity-preserving} method for translating NL task descriptions into STL candidate formulas. The key idea is to retain multiple plausible syntactic analyses instead of forcing a single interpretation at the parsing stage. To this end, we develop a three-stage pipeline based on Combinatory Categorial Grammar (CCG): ambiguity-preserving $n$-best parsing, STL-oriented template-based semantic composition, and canonicalization with score aggregation. The proposed method outputs a deduplicated set of STL candidates with plausibility scores, thereby explicitly representing multiple possible formal interpretations of an ambiguous instruction. In contrast to existing one-best NL-to-logic translation methods, the proposed approach is designed to preserve attachment and scope ambiguity. Case studies on representative task descriptions demonstrate that the method generates multiple STL candidates for genuinely ambiguous inputs while collapsing unambiguous or canonically equivalent derivations to a single STL formula.
• Abstract（参考訳）: Signal Temporal Logic (STL) は、サイバー物理システムにおける時間的および安全に重要なタスクを特定するために広く使われているが、STLの公式を直接書くことは、専門家でないユーザにとって難しい。 自然言語(NL)は便利なインタフェースを提供するが、その構造的曖昧さはSTLへの1対1の翻訳を信頼できないものにしている。 本稿では,NLタスク記述をSTL候補式に変換するためのtextit{ambiguity-serving}法を提案する。 鍵となる考え方は、解析段階において単一の解釈を強制するのではなく、複数の可塑性構文解析を維持することである。 そこで我々は, Combinatory Categorial Grammar (CCG) に基づく3段階パイプラインを開発する。曖昧性保存型$n$-best解析,STL指向テンプレートベースセマンティック合成,スコアアグリゲーションによる正準化。 提案手法は,確率スコアを持つSTL候補の重複した集合を出力し,不明瞭な命令の複数の可能な形式的解釈を明示的に表現する。 既存の1-best NL-to-logic 翻訳法とは対照的に,提案手法はアタッチメントとスコープのあいまいさを維持するために設計されている。 代表的タスク記述に関するケーススタディでは、本手法が真に曖昧な入力に対して複数のSTL候補を生成し、不明瞭または正準同値な導出を1つのSTL式に分解することを示した。

関連論文リスト

• When LLMs Develop Languages: Symbolic Communication for Efficient Multi-Agent Reasoning [85.36421257648294]
  CoT(Chain-of-Thought)は、難しい推論タスクにおいて、大きな言語モデル(LLM)を改善する。 コミュニケーション言語シンボリズムルーティング(R)を提案する。 Rは、それぞれの言語シンボルフレームワークを、コンパクトなシンボル、使用規則、メッセージパス契約を備えた再利用可能なシンボルプロトコルとして扱います。 Rは、標準のCoTと比較してレイテンシ指向のトークンの補完を$3sim 6times$に削減する。
  論文  参考訳（メタデータ） (2026-06-28T12:02:42Z)
• Weave of Formal Thought [51.56484100374058]
  WoFT(Weave of Formal Thought)は、厳密な構文的検証と学習された構造的表現を結合したパラダイムである。 本稿では,非終端文法記号を直接生成にインターリーブするために,言語モデルを訓練する潜時可変微調整法を提案する。 Pythonでは、RWS目的のStarCoder2-3Bを微調整することで、テキストのみのSFTベースラインと比較して、トーケン毎のクロスエントロピーが14.3%削減される。
  論文  参考訳（メタデータ） (2026-06-24T15:58:11Z)
• ReasonSTL: Bridging Natural Language and Signal Temporal Logic via Tool-Augmented Process-Rewarded Learning [5.961092142323502]
  textscReasonSTLは、自然言語からSTL生成にローカルのオープンソース言語モデルを適用するツール拡張フレームワークである。 textscReasonSTLは、翻訳プロセスを明示的な推論、決定論的ツール呼び出し、構造化された公式構成に分解する。 実験により、textscReasonSTLでトレーニングされた4Bモデルは、自動測定と人的評価の両方で最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2026-05-07T16:07:30Z)
• ClarifySTL: An Interactive LLM Agent Framework for STL Transformation through Requirements Clarification [41.040507019193775]
  Signal Temporal Logic (STL) は、サイバー物理システムのリアルタイム動作を特定するための形式言語である。 大規模言語モデル(LLM)を活用した最近の取り組みは目覚ましい性能を示しているが、いくつかの自然言語要求にはあいまいな情報や曖昧な情報が含まれている。 要求の明確化を通じてSTL変換を強化する対話型LLMエージェントフレームワークであるClarifySTLを提案する。
  論文  参考訳（メタデータ） (2026-05-02T02:55:06Z)
• Job Skill Extraction via LLM-Centric Multi-Module Framework [51.37063712967151]
  本稿では,意味検索,文脈内学習,教師付き微調整を組み合わせたLLM中心のフレームワークであるSRICLを提案する。 SRICLは、6つの公的なスパンラベル付きジョブアド文のコーパスにおいて、GPT-3.5よりも相当なSTRICT-F1の改善を達成し、ベースラインを加速し、無効なタグと幻覚したスパンを激減する。
  論文  参考訳（メタデータ） (2026-04-23T10:46:07Z)
• 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)
• $\texttt{SEM-CTRL}$: Semantically Controlled Decoding [53.86639808659575]
  $texttSEM-CTRL$は、LLMデコーダに直接、リッチなコンテキスト依存制約とタスクおよびインスタンス固有のセマンティクスを強制する統一的なアプローチである。 texttSEM-CTRL$は、小さな訓練済みのLLMがより大きな変種や最先端の推論モデルよりも効率的に性能を向上することを可能にする。
  論文  参考訳（メタデータ） (2025-03-03T18:33:46Z)
• CoT-TL: Low-Resource Temporal Knowledge Representation of Planning Instructions Using Chain-of-Thought Reasoning [1.433758865948252]
  我々は、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を紹介した。 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。 我々はCoT-TLの実用性を自然言語命令に基づく多段階ドローン計画のためのQuadCopterに組み込む。
  論文  参考訳（メタデータ） (2024-10-21T17:10:43Z)
• Log Probabilities Are a Reliable Estimate of Semantic Plausibility in Base and Instruction-Tuned Language Models [50.15455336684986]
  意味的妥当性を評価するため,LogProbsの有効性と基本的なプロンプトを評価した。 LogProbsは、直接ゼロショットプロンプトよりも、より信頼性の高いセマンティックな妥当性を提供する。 我々は,プロンプトベースの評価の時代においても,LogProbsは意味的妥当性の有用な指標である,と結論付けた。
  論文  参考訳（メタデータ） (2024-03-21T22:08:44Z)
• 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)
• Generalizing to New Domains by Mapping Natural Language to Lifted LTL [20.58567011476273]
  本稿では、ひとつの肯定的なタスク仕様例から学習可能な、中間的コンテキストクエリ表現を提案する。 我々は、自然言語を翻訳できる最先端のCopyNetモデルと比較する。 シミュレーションされたOO-MDP環境において,提案手法の出力を計画に利用できることを実証した。
  論文  参考訳（メタデータ） (2021-10-11T20:49:26Z)
• From English to Signal Temporal Logic [7.6398837478968025]
  本稿では,サイバー物理システムのための公式な仕様言語であるSignal Temporal Logic (STL) に,自由英語文として与えられる非公式な要件を翻訳するためのツールおよびテクニックであるDeepSTLを提案する。 このような翻訳を考案する上での大きな課題は、公式な非公式な要件と公式な仕様の欠如である。 2番目のステップでは、最先端のトランスフォーマーベースのニューラル翻訳技術を用いて、英語からSTLへの正確な注意翻訳を訓練する。
  論文  参考訳（メタデータ） (2021-09-21T16:13:29Z)
• SML: a new Semantic Embedding Alignment Transformer for efficient cross-lingual Natural Language Inference [71.57324258813674]
  トランスフォーマーが質問応答、自然言語推論(NLI)、要約といった様々なタスクを精度良く実行できることは、現在この種のタスクに対処するための最良のパラダイムの1つとしてランク付けすることができる。 nliは、複雑な文を理解するための知識が必要であり、仮説と前提の関係を確立するため、これらのアーキテクチャをテストする最良のシナリオの1つである。 本稿では,自然言語推論のための多言語組込みを効率的にアライメントするための新しいアーキテクチャ siamese multilingual transformer を提案する。
  論文  参考訳（メタデータ） (2021-03-17T13:23:53Z)

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。