論文の概要: First-Order Temporal Logic Tensor Networks

• arxiv url: http://arxiv.org/abs/2606.29972v1
• Date: Mon, 29 Jun 2026 08:48:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.13492
• Title: First-Order Temporal Logic Tensor Networks
• Title（参考訳）: 1次時間論理テンソルネットワーク
• Authors: Luca Boscarato, Ivan Donadello, Alessandro Artale, Marco Montali, Fabrizio Maria Maggi,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 47.56930079312276
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Most of the existing neuro-symbolic AI methods focus on the scenario of static knowledge where objects do not change according to a temporal dimension. Temporal neuro-symbolic works are still under explored and are mainly developed for time-interval logic or propositional linear temporal logic. There is a lack of models studying linear temporal logics with predicates that deal with objects whose properties and relations change through the time. We present First-Order Temporal Logic Tensor Networks (FOT-LTN) that is an extension of Logic Tensor Networks (LTN) that fills this gap by considering a linear-temporal dimension. In particular, FOT-LTN joins the syntax of First-Order Linear Temporal Logic with the fuzzy (and real-valued) semantics of LTN obtaining a framework that supports both temporal operators and quantifiers and is totally differentiable. A first evaluation regards a temporal knowledge graph completion task on two synthetic datasets showing better performance of FOT-LTN with respect to dedicated (purely neural) methods.
• Abstract（参考訳）: 既存のニューロシンボリックAI手法のほとんどは、時間次元に応じてオブジェクトが変化しない静的知識のシナリオに焦点を当てている。 時間的ニューロシンボリックな研究はまだ検討中であり、主に時間的インターバル論理や命題的線形時間論理のために開発されている。 時間を通して特性と関係が変化する対象を扱う述語を用いた線形時間論理の研究モデルが欠如している。 本稿では,線形時間次元を考慮してこのギャップを埋める論理テンソルネットワーク(LTN)の拡張である一階時間論理テンソルネットワーク(FOT-LTN)を提案する。 特に、FOT-LTNは、一階線形時間論理の構文と、時間演算子と量子化子の両方をサポートし、完全に微分可能なフレームワークを得るLTNのファジィ(および実数値)意味論とを結合する。 最初の評価では、専用の(純粋にニューラルな)手法に関して、FOT-LTNのより良い性能を示す2つの合成データセットの時間知識グラフ補完タスクについて検討する。

関連論文リスト

• T-ILR: a Neurosymbolic Integration for LTLf [47.316620315732024]
  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。
  論文  参考訳（メタデータ） (2025-08-21T20:24:20Z)
• 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)
• The Logical Expressiveness of Temporal GNNs via Two-Dimensional Product Logics [6.467845550833226]
  時間的GNNの論理的特徴付けを二次元積論理に結合して検討する。 時間的GNNの表現力は,グラフと時間的成分の組み合わせによって異なることを示す。
  論文  参考訳（メタデータ） (2025-05-17T09:34:57Z)
• 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)
• 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)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。