【阅读随笔】Learning Signal Temporal Logic through Neural Network for Interpretable Classification

原创 已于 2023-06-12 16:25:38 修改 · 380 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能

于 2022-11-13 12:51:44 首次发布
该文章探讨了一篇关于使用神经网络进行信号时序逻辑学习的文章，旨在实现更可解释的分类。尽管存在一些小问题，但整体上对于时序逻辑推理的研究有一定的参考价值。作者分享了阅读笔记，并提及了导出带有图片的Zotero笔记的困扰。

D. Li, M. Cai, C.-I. Vasile, and R. Tron, “Learning Signal Temporal Logic through Neural Network for Interpretable Classification.” arXiv, Oct. 04, 2022. doi: 10.48550/arXiv.2210.01910.

好久没有关注时序逻辑推理相关的文章了，这篇写得还不错，有点小bug但值得借鉴。

实在不知道zotero带图片的笔记该怎么导出，直接粘图片凑合存个档

笔记如下
请添加图片描述
请添加图片描述
请添加图片描述

Python库 | signal_temporal_logic-0.1.1-cp38-cp38-win_amd64.whl
04-03
资源分类：Python库 所属语言：Python 资源全名：signal_temporal_logic-0.1.1-cp38-cp38-win_amd64.whl 资源来源：官方 安装方法：https://lanzao.blog.youkuaiyun.com/article/details/101784059
A Survey on Deep Learning Techniques Applied to medical image analysis
AI天才研究院
08-13 633
作者：禅与计算机程序设计艺术 Introduction:Deep learning techniques have recently gained popularity in medical image analysis because they are capable of accurately identifying disease markers without relying on human intervention, enabling better decision-making and tre
Signal Temporal Logic (STL)
qingmuluoyang的博客
05-23 2135
时序逻辑；STL
【每日论文】Diverse Controllable Diffusion Policy with Signal Temporal Logic
weixin_40240616的博客
03-07 553
该论文提出了一种利用信号时序逻辑和扩散模型学习可控、多样和规则感知策略的方法，以生成自动驾驶中的多样化模拟。
【阅读随笔】Model predictive control with signal temporal logic specifications
WSQ_2000的博客
11-12 410
使用MILP对STL约束进行编码的经典文章
【阅读随笔】Reinforcement Learning for Signal Temporal Logic using Funnel-Based Approach
WSQ_2000的博客
12-15 360
这期区分funnel和funnel函数两个概念，上面的这个指数函数成为funnel函数，formulation中的不等式成为funnel.Funnel相当于是用一种启发式的方法限制了robustness的大小，对于eventually这样的算子强行启发出了过零点，有一点点扯。强化学习的作用不是很清晰，reward看起来给的是单步reward，但是funnel函数中存在需要整条轨迹才能确定的参数。，也就是说当前信号的鲁棒值需要处于以下的funnel内。是根据整条轨迹上鲁棒度的极值确定的。
事实验证文章分类 Papers Category For Fact Checking
weixin_44839047的博客
12-25 1702
一些关于事实验证领域证据召回，验证推理过程的文献综合整理分类（不是很严谨）。欢迎从事事实验证Fact Checking领域的友友们前来交流，讨论。可以私信我，也可以评论我，我都会看到滴，有合作意愿的也欢迎！
KDD 2023 图神经网络方向论文总结
简简单单的学习笔记，致力于帮助更多前进路上的朋友~
02-22 3889
本文主要收集KDD2023中与图神经网络相关的论文。
行为识别论文笔记|SlowFusion|Large-scale Video Classification with Convolutional Neural Networks|
njuptalex的博客
09-24 1113
Large-scale Video Classification with Convolutional Neural Networks 论文笔记 Andrej Karpathy et al. “Large-scale Video Classification with Convolutional Neural Networks” CVPR 2014 Motivation 缺少使用CNN进行视频分类的数据集和方法，所以推出了数据集 Sports-1M（1 million YouTube videos,
【论文学习】《A Survey on Neural Speech Synthesis》
求求你们别卷了
07-19 6480
《A Survey on Neural Speech Synthesis》论文学习 文章目录《A Survey on Neural Speech Synthesis》论文学习  摘要  1 介绍    1.1 TTS 技术的历史    1.2 调查的组成  2 TTS 中的关键组件    2.1 主要分类    2.2 文本分析    2.3 文本分析   
【阅读随笔】神经网络与参数学习 Neural Network for Weighted Signal Temporal Logic
WSQ_2000的博客
07-21 780
首先由时间序列的分类问题引出现有机器学习分类方法的不足——可解释性差，并提出时序逻辑的解决方案，引出时序逻辑的分支——STL，并举例了几种量化满足程度的方法及其缺点。其中传统的基于min/max算子的鲁棒方法非凸、非平滑，且其满足程度仅取决于一个信号点，而没有利用到整体。为了解决这个问题，后来提出了wSTL，但是其信号上的权重定义存在bug(1)权重为0的信号点仍能影响总的鲁棒度(2)并不是权重越高的信号点对总鲁棒度的影响越大。提出了一种新的量化语义提出了wSTL-NN框架。...
【论文精读】时序逻辑应用之模型预测控制Model Predictive Control with Signal Temporal Logic Specifications
WSQ_2000的博客
03-29 1978
前言：因为天天写代码实在是太枯燥了，所以读点其他东西来调剂一下，这样科研进度不至于停下。前面读了几篇关于时序逻辑学习的文章，今天来了解一下时序逻辑公式在控制中的应用。 Raman, V., Donze, A., Maasoumy, M., Murray, R. M., Sangiovanni-Vincentelli, A., & Seshia, S. A. (2014, December). Model predictive control with signal temporal logic s
【阅读随笔】Quantitative Robustness for Signal Temporal Logic with Time-Freeze Quantifiers
WSQ_2000的博客
06-20 494
通过添加time-freeze算则，提出了一种比STL表达能力更强的时序逻辑。
关于图信号处理的系列笔记(Graph signal learning)
qq_40643955的博客
11-11 1902
之前发生的事情 前阵子帮一个研究生学长搞了一个社交网络团队识别的实验，用的是HAM方法，是一个比较简单的实验和文章，但我却为了完成它用了将近六个月的时间，最后实验因为服务器的数据被删干净而告终，完成度大概在80%左右。终于逃出魔窟了，嘻嘻嘻 接下来干些什么? 其实论文有用的地方只是一些核心的公式和算法，所以我以后阅读时不要被那些 没有任何营养的介绍性的语句浪费时间，那本系列笔记将记录我将要阅读的三...
【论文笔记】Auto TAMP: Autoregressive Task and Motion Planning with LLMs as Translators and Checkers
m0_48948682的博客
07-16 1897
为了实现有效的人机交互，机器人需要理解、规划和执行由自然语言描述的复杂、长期任务。最近LLMs的显著进展表明，有望将自然语言转化为机器人执行复杂任务的动作序列。现有的方法要么直接将自然语言翻译为机器人轨迹，要么通过将自然语言分解为任务子目标来分解推理过程，然后依靠运动规划器执行每个子目标。当涉及到复杂的环境和时间限制时，使用传统的任务和运动规划（TAMP）算法联合执行规划好的任务和运动规划的推理，使得这种子任务分解变得不可行。
【阅读笔记】Falsification of Cyber-Physical Systems Using Deep Reinforcement Learning
eddddd’ world
04-01 1019
FM2018 Falsification of Cyber-Physical Systems Using Deep Reinforcement Learning （International Symposium on Formal Methods） 摘要摘要Introduction 摘要 随着软件和分布式计算的迅速发展，信息物理系统（CPS）被广泛应用于许多领域，如智能电网，自动驾驶汽车等。由于软...
Deep Direct Reinforcement Learning for Financial Signal Representation and Trading
敲代码的quant的博客
03-21 5752
这篇论文对我个人的意义挺大的，毕竟是入坑智能交易看的第一篇论文，这篇论文前前后后看了也不下十多遍，抛去其技术性的方面，整篇论文的排版、写作方式以及实验的对比都有很大的借鉴意义。原文在百度学术和google学术都可以找到。题目：《Deep Direct Reinforcement Learning for Financial Signal Representation and Trading》发表于...
向量嵌入：RAG系统背后的语义引擎
最新发布
uncle_ll的博客
11-29 1092
向量嵌入技术将高维语义信息压缩为低维向量，使相似概念在向量空间中聚集。作为RAG系统的核心，嵌入质量直接影响语义检索效果。从静态词嵌入到动态上下文嵌入，技术不断演进，解决了多义词等难题。现代嵌入模型基于Transformer架构，通过对比学习优化检索性能。选型需考虑MTEB排名、语言支持等维度，并结合业务测试。未来趋势包括多模态融合、知识图谱增强和轻量化部署。嵌入技术已成为NLP领域的关键支柱，其优化对提升RAG系统性能至关重要。
【推荐系统】深度学习训练框架（五）：pyspark分布式TorchDistributor主从读取OSS文件认证机制
人工智能领域博客
11-28 1822
摘要： 本文详细解释了Spark Driver端与Worker端在OSS认证上的核心区别。Driver端通过Spark配置自动认证，而Worker端（独立Python进程）需显式提供认证信息。认证来源优先级为：1)Driver传递参数，2)环境变量，3)IAM角色。文章分析了架构差异导致的不同认证方式，并推荐从Driver传递认证信息的解决方案。当前实现已采用该方案，通过Spark配置或环境变量获取认证后传递给Worker进程，确保PyArrow能正确访问OSS数据。
Guiding fusion ofdynamic functional and effective connectivity in spatio-temporal graph neural network for brain disorder classification
08-30
self.temporal_conv = nn.Conv1d(hidden_channels, out_channels, kernel_size=3, padding=1) def forward(self, x): # 图卷积操作 x = self.graph_conv(x) # 时间卷积操作 x = self.temporal_conv(x) ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值