論文の概要: Active Learning of Temporal Specifications through Distinguishing Queries
- arxiv url: http://arxiv.org/abs/2611.17866v1
- Date: Fri, 13 Nov 2026 07:55:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.330914
- Title: Active Learning of Temporal Specifications through Distinguishing Queries
- Title(参考訳): 分権クエリによる時間仕様のアクティブラーニング
- Abstract要約: 一時的な仕様は検証と監視に不可欠である。
アクティブラーニングは、学習者と教師の相互作用を通じてそのような仕様を導出する。
本稿では,教師が追跡のみをラベル付けし,自然言語による質問に回答する,アクティブラーニングフレームワークについて述べる。
- 参考スコア(独自算出の注目度): 13.953579643490793
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Temporal specifications are essential for verification and monitoring, yet writing formulas that capture the intended behaviour is difficult. Active learning derives such specifications through interaction between a learner and a teacher, but remains underexplored for temporal logics. Existing approaches require the teacher to answer equivalence queries and to construct counterexamples, and they often rely on SAT-based learning procedures that restart the search after each new example. We present an active-learning framework for LTLf in which the teacher only labels traces and answers natural-language questions about the intended behaviour. The learner maintains an enumerated version space of candidate formulas, generates traces that distinguish candidates, and uses the teacher's hints to rank candidates or to restrict the search. We prove consistency with the observed examples, identification within bounded hypothesis classes with a bound on the number of queries, and a PAC guarantee for the final hypothesis. In experiments with a simulated teacher on 36 targets, including targets in four standard environments, the learner identifies every target when it compares all rivals, with fewer than seven queries beyond an initial sample of ten traces on average. Correct hints reduce the number of queries by up to 16% and the number of generated candidates by a fifth, and hints used for ranking never prevent identification, even when incorrect. Our enumeration-based version space is faster than the SAT-based approach of previous learners at every target size.
- Abstract(参考訳): 時間仕様は検証と監視に不可欠だが、意図した振る舞いを捉える公式を書くのは難しい。
アクティブラーニングは、学習者と教師の相互作用を通じてそのような仕様を導出するが、時間論理学には未熟である。
既存のアプローチでは、教師が等価クエリに応答し、反例を構築する必要があり、新しい例ごとに検索を再開するSATベースの学習手順に依存することが多い。
LTLfのためのアクティブラーニングフレームワークを提案する。このフレームワークでは教師が意図した振る舞いについて自然言語の質問に追跡と回答のみをラベル付けする。
学習者は、候補式を列挙したバージョン空間を維持し、候補者を区別するトレースを生成し、教師のヒントを使って候補者のランク付けや検索の制限を行う。
提案手法は, 観測例との整合性, クエリ数に制限のある有界仮説クラス内の識別, 最終仮説に対するPAC保証を証明した。
4つの標準環境のターゲットを含む36のターゲットを対象としたシミュレーション教師による実験では、学習者は、すべてのライバルと比較した場合、平均10のトレースの最初のサンプルを超える7つのクエリで、すべてのターゲットを特定する。
正しいヒントはクエリの数を最大16%削減し、生成した候補の数を5分の1削減する。
列挙型バージョン空間は,各ターゲットサイズにおいて,従来の学習者のSATベースのアプローチよりも高速である。
関連論文リスト
- Joint Class-Time Learning for Video Classification with Multi-Instance Partial-Label Learning [52.577813884498056]
バグレベルラベルは、候補クラスと時間的証拠の間の対応を明示的に監督するものではない。
我々は,共同授業時間割当てによる時間的エビデンス割当てとラベルの曖昧さを結合する手法を提案する。
PIVOTMIPLは既存のMIPLアルゴリズムよりも効率と効率の両方で優れている。
論文 参考訳(メタデータ) (2026-10-05T12:37:18Z) - PRISM: PRIvileged Sibling-guided Multi-Agent Topology Design [52.60302464420127]
そこで我々はPRISMを提案する。PRISMは、特権情報を用いて学習することで、同一コーパスからクエリごとの信号を復元する。
PRISMは6つの異なるベンチマークで、トポロジ設計のベースラインを評価している。
論文 参考訳(メタデータ) (2026-09-29T17:22:16Z) - The Unlearning Mirage: A Dynamic Framework for Evaluating LLM Unlearning [54.67958855362658]
複雑な構造化クエリを用いたアンラーニングテストを強調する動的フレームワークを提案する。
提案手法はまず,対象モデル(事前学習)から知識を抽出し,単純なクエリからマルチホップチェーンまで,対象プローブを構築する。
本フレームワークは,テストセットを手作業で構築することなく,非学習手法の実用的でスケーラブルな評価を可能にする。
論文 参考訳(メタデータ) (2026-03-11T19:51:33Z) - CAPrompt: Cyclic Prompt Aggregation for Pre-Trained Model Based Class Incremental Learning [12.249938312431993]
本稿では,タスクID予測への依存性を排除するために,新しいCAPromptアグリゲーション法を提案する。
凹凸条件下では、集約プロンプトは単一のタスク固有のプロンプトを選択するよりも低いエラーを達成する。
提案したCAPromptは最先端手法を2%-3%上回る性能を示した。
論文 参考訳(メタデータ) (2024-12-12T04:34:28Z) - Probably Approximately Precision and Recall Learning [60.00180898830079]
機械学習における重要な課題は、一方的なフィードバックの頻度である。
本稿では,確率的近似(PAC)フレームワークを導入し,各入力をラベルの集合にマッピングする仮説を定めている。
我々は、正のデータのみから学習する新しいアルゴリズムを開発し、実現可能な場合において最適なサンプル複雑性を実現する。
論文 参考訳(メタデータ) (2024-11-20T04:21:07Z) - M-Tuning: Prompt Tuning with Mitigated Label Bias in Open-Set Scenarios [58.617025733655005]
緩和ラベルバイアス(M-Tuning)を用いた視覚言語プロンプトチューニング手法を提案する。
これはWordNetからのオープンワードを導入し、クローズドセットラベルワードのみからもっと多くのプロンプトテキストを形成する単語の範囲を広げ、シミュレートされたオープンセットシナリオでプロンプトをチューニングする。
提案手法は,様々なスケールのデータセット上で最高の性能を達成し,広範囲にわたるアブレーション研究もその有効性を検証した。
論文 参考訳(メタデータ) (2023-03-09T09:05:47Z) - STUNT: Few-shot Tabular Learning with Self-generated Tasks from
Unlabeled Tables [64.0903766169603]
我々は,Unlabeled Tables (STUNT) からの自己生成タスクを作成した,数発のセミ教師付き学習のためのフレームワークを提案する。
私たちのキーとなるアイデアは、ランダムに選択された列をターゲットラベルとして扱うことで、多様なショットタスクを自己生成することです。
次に、メタラーニング手法を用いて、構築されたタスクで一般化可能な知識を学習する。
論文 参考訳(メタデータ) (2023-03-02T02:37:54Z) - Contextual Multi-View Query Learning for Short Text Classification in
User-Generated Data [6.052423212814052]
COCOBAは2つのビューを構築するためにユーザ投稿のコンテキストを利用する。
次に、各ビューにおける表現の分布を使用して、反対のクラスに割り当てられた領域を検出する。
我々のモデルは、通常ノイズの多いユーザ投稿の言語に対処するために、クエリ・バイ・コミッテ・モデルも採用しています。
論文 参考訳(メタデータ) (2021-12-05T16:17:21Z)
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。