PulseAugur
中
实时 09:47:00
English(EN) Learning Linear Temporal Specifications from Demonstrations with Uncertainty

新框架从系统演示中学习不确定的时序逻辑规范

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新框架，用于从可能包含不确定性的系统演示中学习线性时序逻辑（LTL）公式。该方法解决了系统轨迹可能因传感器故障或数据丢失等问题而不完整或错误的实际挑战。通过使用汉明距离对不确定性进行建模，并围绕观测到的轨迹生成估计，该框架将问题简化为伪布尔优化，旨在恢复在不确定条件下更准确地反映真实情况的规范。 AI

影响 通过提高从不确定数据学习的鲁棒性，增强了安全关键系统中形式化验证和控制器合成的能力。

排序理由 学术论文，详细介绍了学习时序逻辑规范的新框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新框架从系统演示中学习不确定的时序逻辑规范

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Parastou Fahim, Constantino Lagoa, R\^omulo Meira-G'oes ·

    Learning Linear Temporal Specifications from Demonstrations with Uncertainty

    arXiv:2607.10918v1 Announce Type: new Abstract: Learning temporal logic specifications from system demonstrations is essential for tasks such as formal verification and controller synthesis, especially in safety-critical domains. Existing approaches typically assume demonstration…

相关话题