論文の概要: SCP-NL2TL: Selective Conformal Prediction with Semantic Verification for Natural Language to Temporal Logic Specifications
- arxiv url: http://arxiv.org/abs/2608.05439v1
- Date: Wed, 05 Aug 2026 22:17:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-07 15:25:20.803826
- Title: SCP-NL2TL: Selective Conformal Prediction with Semantic Verification for Natural Language to Temporal Logic Specifications
- Title（参考訳）: SCP-NL2TL: 自然言語から時相論理仕様への意味的検証による選択的等角予測
- Abstract要約: 自然言語命令を機械解釈可能な形式仕様に変換することで、ロボットと自律システムは、その動作を計画し、推論し、正式に検証することができる。
既存の翻訳モデルは、通常、結果が信頼できないり、ユーザの意図を捉えなかったりしても、すべての入力に対して仕様を生成する。
選択的共形予測に着想を得て,形式仕様を生成するだけでなく,いつ信頼できるかを判断する選択翻訳フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 28.546702829415207
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Translating natural language instructions into machine-interpretable formal specifications enables robots and autonomous systems to plan, reason, and formally verify their behavior. However, existing translation models typically generate a specification for every input, even when the result is unreliable or fails to capture the user's intent, creating risks in safety-critical applications. Inspired by selective conformal prediction, we propose a selective translation framework that not only generates formal specifications but also determines when they can be trusted. Reliability is scored by two complementary black-box signals, the fidelity of the specification back-translated into natural language and the dispersion of repeated translations under exact semantic equivalence, which fail on different errors and jointly separate incorrect translations more sharply than either alone. Conformal risk control calibrates this score into a decision that accepts a specification or abstains, with a distribution-free bound on the rate at which incorrect specifications are accepted for execution, and a conformal anomaly detector on instruction embeddings screens out-of-distribution inputs before any translation is attempted. The proposed framework is general across formal specification languages, with experiments on Signal Temporal Logic (STL), Linear Temporal Logic (LTL), and geometric Spatio-Temporal Logic (SpaTiaL) demonstrating improved translation reliability, robustness under the evaluated cross-tier shifts, and effective uncertainty-aware abstention. This work establishes a foundation for trustworthy natural language interfaces by enabling AI systems to recognize when generated specifications may not be reliable.
- Abstract（参考訳）: 自然言語命令を機械解釈可能な形式仕様に変換することで、ロボットと自律システムは、その動作を計画し、推論し、正式に検証することができる。
しかし、既存の翻訳モデルは一般的に、結果が信頼できない場合やユーザーの意図を捉えられない場合であっても、すべての入力に対して仕様を生成する。
選択的共形予測に着想を得て,形式仕様を生成するだけでなく,いつ信頼できるかを判断する選択翻訳フレームワークを提案する。
信頼性は、2つの補完的なブラックボックス信号によって評価され、仕様の忠実さは自然言語に逆変換され、正確な意味的等価性の下で繰り返し翻訳される。
コンフォーマルリスク制御は、このスコアを、不正確な仕様が実行時に受け入れられる率に、分布自由な境界で仕様を受理または棄権する決定に分類し、インストラクションの共形異常検出器は、翻訳が試みられる前に、画面の配布外入力を埋め込む。
提案フレームワークは,信号テンポラル論理(STL),線形テンポラル論理(LTL),幾何学的時空間論理(SpaTiaL)など,形式的な仕様言語にまたがって実装されている。
この研究は、AIシステムが生成された仕様が信頼できないことを認識できるようにすることで、信頼できる自然言語インタフェースの基礎を確立する。
関連論文リスト
- Inference-Time Steering for Cross-Lingual Factual Consistency in LLMs [51.56484100374058]
大規模言語モデル(LLM)は目覚ましい多言語流布を示すが、その内部知識表現はハイリソース言語に対して不均等に偏っている。
我々は,これらのバイアスを推論時に緩和できるかどうかを考察し,対象言語でクエリされたかのように,英語の確率モデルに答えるように強制する。
Gemma 3 12Bの実験では、最も強い全体的な介入、効率性のバランス、安全性、ドメイン外の一般化を促すペルソナが明らかにされている。
論文 参考訳（メタデータ） (2026-07-21T16:15:05Z) - VASO: Formally Verifiable Self-Evolving Skills for Physical AI Agents [57.240036084348354]
本稿では,ロボットスキルコントラクトの検証誘導自己進化のためのフレームワークであるVASOを紹介する。
VASOは論理的に一貫性のないスキル契約を検証し、グローバルおよびローカルな時間的仕様に対してスキルによって誘発される計画を検証する。
Clearpath Jackal と PX4 のクアッドコプタータスクでは、VASO は100点未満の最適化サンプルを使用して97.2% の形式的な仕様準拠に達した。
論文 参考訳（メタデータ） (2026-06-03T20:02:35Z) - NeuroNL2LTL: A Neurosymbolic Framework for Natural Language Translation of Linear Temporal Logic [0.0]
本稿では,学習翻訳と形式的検証を一体化したニューロシンボリックアーキテクチャであるNeuroNL2LTLを提案する。
航空宇宙、ロボティクス、自動運転車、さらに10のドメインにまたがる20万以上の要件に対して、NeuroNL2LTLは基準仕様と28%のセマンティックな等価性を達成している。
論文 参考訳（メタデータ） (2026-05-20T03:31:51Z) - Uncertainty-Aware Transformers: Conformal Prediction for Language Models [4.464939140209426]
本稿ではトランスフォーマーに基づく言語モデルのための不確実な定量化フレームワークを提案する。
CONFIDEは、BERTやRoBERTaのようなエンコーダのみのアーキテクチャの内部埋め込みに対して、整合予測を適用する。
初期および中期のトランスフォーマー層は、しばしば共形予測のためのより良いキャリブレーションと意味論的意味のある表現をもたらす。
論文 参考訳（メタデータ） (2026-04-10T02:48:50Z) - LTLGuard: Formalizing LTL Specifications with Compact Language Models and Lightweight Symbolic Reasoning [2.365021420497964]
自然言語のあいまいさと可変性(NL)のため、非公式な要件を形式的な仕様に翻訳することは困難である
本研究では,資源効率の高いオープンウェイトモデルにより,非公式な要件から適切な時間論理(LTL)仕様を生成することに焦点を当てる。
現在Guardは、制約付き生成とフォーマルな一貫性チェックを組み合わせたモジュラーツールチェーンで、非公式な入力からコンフリクトフリー仕様を生成する。
論文 参考訳（メタデータ） (2026-03-05T22:34:45Z) - STEAD: Robust Provably Secure Linguistic Steganography with Diffusion Language Model [71.35577462669856]
拡散言語モデル(DLM)を用いた頑健で確実な言語ステガノグラフィーを提案する。
ステガノグラフ抽出中に擬似ランダム誤り訂正や近傍探索補正を含む誤り訂正戦略を導入する。
論文 参考訳（メタデータ） (2026-01-21T08:58:12Z) - Do What? Teaching Vision-Language-Action Models to Reject the Impossible [53.40183895299108]
VLA(Vision-Language-Action)モデルは、さまざまなロボットタスクにおいて強力なパフォーマンスを示している。
Instruct-Verify-and-Act(IVA)を提案する。
実験の結果,IVAはベースラインよりも97.56%の精度で虚偽の前提検出精度を向上させることがわかった。
論文 参考訳（メタデータ） (2025-08-22T10:54:33Z) - Evaluating Multilingual and Code-Switched Alignment in LLMs via Synthetic Natural Language Inference [2.172419551358714]
大規模言語モデル(LLM)は多言語的文脈においてますます適用されているが、言語間で一貫した論理的に根ざしたアライメントの能力は未定である。
本稿では、論理に基づく前提-仮説ペアを生成する多言語自然言語推論のフレームワークを提案し、それらを類型的に多様な言語に翻訳する。
コードスイッチングは劣化せず、性能も向上し、翻訳によって引き起こされる語彙の変化が正規化信号として機能することを示唆している。
論文 参考訳（メタデータ） (2025-08-20T14:30:34Z) - SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。
我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。
我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
論文 参考訳（メタデータ） (2025-04-19T03:01:45Z) - Conformal Linguistic Calibration: Trading-off between Factuality and Specificity [41.45862052156885]
本稿では,言語プラグマティクスのレンズを通して,抑止と言語キャリブレーションを結合する枠組みを提案する。
以上の結果から,本手法は実精度に適合した精度で校正出力を生成する。
論文 参考訳（メタデータ） (2025-02-26T13:01:49Z) - Decomposing Uncertainty for Large Language Models through Input Clarification Ensembling [69.83976050879318]
大規模言語モデル(LLM)では、不確実性の原因を特定することが、信頼性、信頼性、解釈可能性を改善するための重要なステップである。
本稿では,LLMのための不確実性分解フレームワークについて述べる。
提案手法は,入力に対する一連の明確化を生成し,それらをLLMに入力し,対応する予測をアンサンブルする。
論文 参考訳（メタデータ） (2023-11-15T05:58:35Z)
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。