linear temporal logic
PulseAugur coverage of linear temporal logic — every cluster mentioning linear temporal logic across labs, papers, and developer communities, ranked by signal.
5 天有情绪数据
-
新研究通过结构化LTL表示解决RL中的零样本指令遵循问题 · 跟踪2个来源
两篇新研究论文探讨了在子符号环境中训练强化学习（RL）代理以遵循复杂、时间跨度长的指令的方法。第一篇论文介绍了一种联合训练多任务策略和符号接地器的方法，其性能与假设已知真实符号接地的方法相当。第二篇论文提出了一种使用结构化任务表示的新方法，该方法将策略条件化为布尔公式序列，并采用具有注意力机制的分层神经网络架构来推理未来的子目标。这两种方法都旨在提高强化学习中指令遵循的零样本泛化能力。
-
新方法利用分层世界模型指导机器人遵循复杂指令
研究人员推出了一种名为 hint$^2$ 的新方法，旨在指导机器人执行在运行时指定的复杂指令。该方法利用分层世界模型在推理过程中提供时序逻辑引导。系统推导出两个不同的引导目标：一个来自高级模型以导航 LTL 自动机，另一个来自低级动力学模型以实现局部安全。
-
新方法通过拓扑误差调节解决医学影像AI幻觉问题
研究人员提出了一种通过关注拓扑误差来调节医学AI中“幻觉”的方法，这种误差比主观不准确性更易于衡量。该方法涉及将某些属性重述为线性时序逻辑谓词，并使用概率图模型来强制执行它们。在机器人辅助子宫切除术的手术阶段识别方面的模拟显示，准确性提高了10%，拓扑误差显著减少，这表明为医学影像计算中的AI提供数学保证的途径。
-
新框架提升AI翻译在自主系统中的可靠性
研究人员开发了一个名为SCP-NL2TL的新框架，该框架提高了将自然语言指令翻译成自主系统形式化规范的可靠性。该方法结合了选择性一致性预测，以确定何时可以信任生成的规范，从而降低了安全关键型应用中的风险。该框架使用两个互补信号：回译规范的保真度以及重复翻译的一致性。在信号时序逻辑（STL）、线性时序逻辑（LTL）和几何时空逻辑（SpaTiaL）上的实验表明，翻译可靠性得到提高，并且不确定性感知性弃权有效。
-
新研究应对LLM代理漏洞，从安全基准到高级防御
近期研究探索增强大型语言模型（LLM）代理的可靠性和安全性。一项研究引入了DiagChain，一个用于评估LLM代理在网络安全攻击链重建方面的基准，揭示即使是先进模型在证据整合和排序方面也存在困难。另一篇论文MAFIA展示了一个仅查询的攻击框架，该框架利用LLM代理中的内存模块，在逃避检测的同时取得了高成功率。为了对抗这些漏洞，正在开发新方法，包括一个经过验证的工具调用包装器，它提高了在非原子故障下的可靠性，以及一个名为$S^3$的多…
-
LLM与时序逻辑结合，实现更智能的机器人任务规划
研究人员开发了一个新颖的神经符号框架，将大型语言模型（LLM）与分层时序逻辑（LTLf）相结合，以改进多机器人任务规划。该系统将人类指令转换为LTLf规范，从而实现更动态和更具人类感知能力的任务分配和规划。实验表明，与传统方法相比，该方法显著提高了机器人交接任务的成功率和交互流畅度，同时还降低了重新规划的开销。
-
新框架从系统演示中学习不确定的时序逻辑规范
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。
-
经LTL增强的LLM用于精准农业任务规划
研究人员开发了一个用于精准农业的任务规划系统，该系统使用大型语言模型（LLMs）来解释自然语言指令并生成任务计划。为了解决自然语言固有的歧义，该系统通过采用线性时序逻辑（LTL）进行规范和验证的反馈循环进行了增强。这种方法确保生成的任务计划符合用户定义的规范，并利用两种不同的商业LLM来减轻偏见并改进有价值的LTL公式的生成。
-
神经符号AI将自然语言翻译成形式逻辑
研究人员开发了NeuroNL2LTL，一个新颖的神经符号框架，旨在将自然语言规范翻译成线性时序逻辑（LTL）。该系统集成了学习翻译与形式验证，使用一种中间表示来确保结构上保留到LTL。通过采用验证器在循环（verifier-in-the-loop）的训练过程，其中验证结果作为奖励信号，该框架直接优化形式正确性。NeuroNL2LTL在不同领域展示了显著的语义等价性和可满足性率，为更可靠的基于神经网络的规范系统提供了途径。
-
PlatoLTL使强化学习代理能够泛化到LTL指令中未见的符号
研究人员引入了PlatoLTL，这是一种旨在提高多任务强化学习泛化能力的新方法。该方法使强化学习代理能够执行在训练期间未遇到的任务，特别是通过在有限时间逻辑（LTL）指令中的不同符号或命题之间进行泛化。PlatoLTL将命题建模为参数化原子谓词，使策略能够学习共享结构并在复杂环境中实现零样本泛化。
-
SemML 2.0 工具从 LTL 规范更快地合成反应式系统
研究人员开发了 SemML 2.0，这是一种用于从线性时序逻辑 (LTL) 规范合成反应式系统的新工具。该系统在 SYNTCOMP 合成竞赛中优于 Strix 和 LtlSynt 等现有最先进的工具。SemML 2.0 集成了经典的自动机理论方法与机器学习指导和部分探索，以实现高效的解决方案查找。
-
AI模型通过可解释规则从Wi-Fi信号中学习人类活动
研究人员开发了一种使用Wi-Fi信道状态信息（CSI）进行人类活动识别（HAR）的新方法。该方法旨在通过将原始CSI数据压缩为离散的潜在表示，使深度学习模型更具可解释性和可控性。然后，系统提取因果依赖关系，并将其转换为线性时序逻辑（LTL）规则进行分类，为传统的黑盒模型提供了一种符号替代方案。
-
新研究表明 Transformer 模型在概念表示方面具有内在的简洁性。
一篇新论文将简洁性引入作为衡量 Transformer 模型表达能力的一个指标。研究人员证明，与有限自动机和 LTL 公式等传统方法相比，Transformer 可以更简洁地表示形式语言。这种高度的表达能力意味着验证 Transformer 的属性在计算上是棘手的，具体来说是 EXPSPACE 完全性。