論文の概要: Logic of Fuzzy Paths

• arxiv url: http://arxiv.org/abs/2604.24907v1
• Date: Mon, 27 Apr 2026 18:40:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.555004
• Title: Logic of Fuzzy Paths
• Title（参考訳）: ファジィパスの論理
• Authors: Kush Grover, Pratham Gupta, Jan Křetínský,
• Abstract要約: 我々は、動作計画(MP)の仕様を意図した新しい時間論理群を導入する。 これは実数値信号上の線形時間論理である信号時間論理(STL)に基づいている。 提案したロジックの利点を例に示し、多くのシナリオにおいてフレームワークの汎用性と柔軟性を示す。
• 参考スコア（独自算出の注目度）: 0.5161531917413708
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a new family of temporal logics intended for specifications in motion planning (MP). It builds upon the signal temporal logic (STL), which is a linear-time logic over real-valued signals that possess quantitative semantics and thus became popular in the areas of cyber-physical systems, robotics, and specifically robot MP. However, in contrast to STL, the proposed logic works with paths as first-class citizens, separating the concerns of geometry and of logic. This in turn leads to simpler and more understandable formulae, and a more refined notion of satisfaction being able to reflect also preferences over behaviours. Technically, the logic is built on fuzzy, time-varying signal constraints. As a consequence of this expressivity, it is (i) more usable for human-given specifications in MP and (ii) more amenable to learning specifications from demonstrations than other logics. The former is important for the traditional style of verification in robot MP; the latter is becoming recognized as crucial for mining data-given tasks and controller synthesis in human-aware MP. We expose the advantages of our proposed logic on examples and show the versatility and flexibility of the framework on a number of scenarios. Finally, we give a learning algorithm with a prototype implementation and discuss the possibilities of model checking and monitoring.
• Abstract（参考訳）: 本稿では,動作計画(MP)の仕様を意図した時間論理の新たなファミリを紹介する。 これは、定量的意味論を持つ実数値信号に対する線形時間論理である信号時間論理(STL)に基づいており、サイバー物理システム、ロボティクス、特にロボットMPの分野で人気を博した。 しかし、STLとは対照的に、提案された論理は経路を第一級市民として扱い、幾何学と論理の懸念を分離する。 これにより、よりシンプルで理解しやすい公式が導き出され、満足感というより洗練された概念が行動よりも好みを反映できる。 技術的には、ロジックはファジィで時間的に異なる信号制約に基づいて構築される。 この表現力の結果として、それは (i)MP および MP の人産仕様にもっと利用できるもの (ii)他のロジックよりもデモから仕様を学習しやすい。 前者はロボットMPにおける従来の検証方式において重要であり、後者は人間の認識したMPにおけるデータギブンタスクやコントローラ合成のマイニングにおいて重要であると認識されている。 提案したロジックの利点を例に示し、多くのシナリオでフレームワークの汎用性と柔軟性を示します。 最後に,プロトタイプ実装による学習アルゴリズムを提案し,モデル検査とモニタリングの可能性について議論する。

関連論文リスト

• Towards Interpretable Concept Learning over Time Series via Temporal Logic Semantics [3.071933369858584]
  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。
  論文  参考訳（メタデータ） (2025-08-05T09:50:55Z)
• Learning to Estimate System Specifications in Linear Temporal Logic using Transformers and Mamba [6.991281327290525]
  仕様マイニングは システムトレースから 時間論理式を抽出する トレースから線形時間論理式を生成するオートレモデルを導入する。 生成した公式の特異性の指標と,構文制約を強制するアルゴリズムを考案する。
  論文  参考訳（メタデータ） (2024-05-31T15:21:53Z)
• 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)
• Join-Chain Network: A Logical Reasoning View of the Multi-head Attention in Transformer [59.73454783958702]
  本稿では,多くの結合演算子を連結して出力論理式をモデル化するシンボリック推論アーキテクチャを提案する。 特に,このような結合鎖のアンサンブルが'ツリー構造'の1次論理式であるFOETの広い部分集合を表現できることを実証する。 変圧器における多頭部自己保持モジュールは,確率的述語空間における結合作用素の結合境界を実装する特別なニューラル演算子として理解することができる。
  論文  参考訳（メタデータ） (2022-10-06T07:39:58Z)
• Discourse-Aware Graph Networks for Textual Logical Reasoning [142.0097357999134]
  パッセージレベルの論理関係は命題単位間の係り合いまたは矛盾を表す(例、結論文) 論理的推論QAを解くための論理構造制約モデリングを提案し、談話対応グラフネットワーク(DAGN)を導入する。 ネットワークはまず、インラインの談話接続とジェネリック論理理論を利用した論理グラフを構築し、その後、エッジ推論機構を用いて論理関係を進化させ、グラフ機能を更新することで論理表現を学習する。
  論文  参考訳（メタデータ） (2022-07-04T14:38:49Z)
• LogiGAN: Learning Logical Reasoning via Adversarial Pre-training [58.11043285534766]
  本稿では,言語モデルの論理的推論能力を向上させるために,教師なしの対人事前学習フレームワークLogiGANを提案する。 人間の学習におけるリフレクティブ思考の促進効果に着想を得て,逆生成検証アーキテクチャを用いて学習思考過程をシミュレートする。 LogiGANで事前トレーニングされたベースモデルと大規模言語モデルの両方で、12のデータセットで明らかなパフォーマンス改善が示されている。
  論文  参考訳（メタデータ） (2022-05-18T08:46:49Z)
• Neuro-Symbolic Inductive Logic Programming with Logical Neural Networks [65.23508422635862]
  我々は最近提案された論理ニューラルネットワーク(LNN)を用いた学習規則を提案する。 他のものと比較して、LNNは古典的なブール論理と強く結びついている。 標準ベンチマークタスクの実験では、LNNルールが極めて解釈可能であることを確認した。
  論文  参考訳（メタデータ） (2021-12-06T19:38:30Z)

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。