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

ALL 2 WELL

已于 2023-06-12 16:25:38 修改

阅读量337

点赞数

CC 4.0 BY-SA版权

分类专栏：时序逻辑文章标签：人工智能

于 2022-11-13 12:51:44 首次发布

本文链接：https://blog.youkuaiyun.com/WSQ_2000/article/details/127830680

时序逻辑专栏收录该内容

22 篇文章

订阅专栏

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

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

ALL 2 WELL

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

A Survey on Deep Learning Techniques Applied to medical image analysis

AI天才研究院

08-13

468

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

【论文阅读笔记】NeurIPS2020文章列表Part1

热门推荐

zincrain的博客

12-09

2万+

参与评论您还未登录，请先登录后发表或查看评论

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

Signal Temporal Logic (STL)

qingmuluoyang的博客

05-23

1900

时序逻辑；STL

【阅读随笔】Model predictive control with signal temporal logic specifications

WSQ_2000的博客

11-12

361

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

308

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。

【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

734

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。...

Neuro-symbolic Models for Interpretable Time Series Classification using Temporal Logic Description

小蚂蚁与大象

02-22

136

本文提出神经符号时间序列分类(NSTSC)，一种神经符号模型，利用信号时序逻辑(STL)和神经网络(NN)来完成多视图数据表示的TSC任务，并将模型表示为人类可读、可解释的公式。然而，以往的工作仅显式地对时间序列与类别之间的关系进行建模，忽略了关系的多样性，信息利用不足。在包含111,888个多结果手术的大数据集和外部高分辨率ICU数据集上的实验表明，所提出模型可以实现强大的预测性能(即高准确性)，并为基于术中时间序列的预测结果提供鲁棒的解释(即高透明度)。主要的术后并发症对手术患者是毁灭性的。

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

3469

本文主要收集KDD2023中与图神经网络相关的论文。

【FAS Survey】《Deep learning for face anti-spoofing: A Survey》

bryant_meng

01-31

1419

【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

1824

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

438

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

1847

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

1587

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

916

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

5694

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...

Rust C++ OpenCV kafka-rs实践

keny-大成的博客

06-30

628

本文摘要： Rust与OpenCV图像处理：涵盖基础操作（加载/显示/保存图像、灰度转换）、滤波增强（高斯模糊/Canny边缘检测/直方图均衡化）、特征检测（SIFT/ORB）及机器学习应用（人脸检测/K均值聚类），需搭配opencv库（v0.66+）。 Rust与Anaconda集成：通过pyo3调用Python科学计算库（如NumPy、scikit-learn），实现数值计算、可视化、模型部署及跨语言数据共享。 Rust自动化框架设计：包括异步任务调度、插件系统、配置热加载、分布式锁、状态机引擎等10个

网络空间测绘理论体系白皮书（2023年）04测绘体系框架应用实践

最新发布

sinat_41942180的博客

06-30

513

网络空间测绘不仅直接作用于网络空间中的数据资源，也会作用于物理空间的真实设备、社会空间的组织机构、认知空间的用户倾向等等。下面以重点域名评估为例。而从更通用的角度上看，在网络空间探测获取到探测对象的基础数据之后，一方面需要针对探测对象作进一步分析处理，把基础探测数据，逐步抽象到类别标签代表的信息、知识，深入回答探测对象是什么、怎么样的问题；网络空间测绘的知识图谱本体涉及 IP、域名、证书、设备、软件等 10 多个信息域实体，同时关联物理域的各粒度地理位置、社会域的各层级组织行业、认知域的多源安全事件等等。

深度学习在智能城市中的创新应用与未来趋势

qq_74383080的博客

06-25

902

在当今数字化时代，智能城市的发展正以前所未有的速度推进，而深度学习技术作为人工智能的核心力量，正在为智能城市的建设带来新的突破和创新。从交通管理到能源优化，从公共安全到环境监测，深度学习的应用正在逐步提升城市的智能化水平和居民的生活质量。本文将探讨深度学习在智能城市中的创新应用，并展望其未来的发展趋势。

T-GCN: A Temporal Graph Convolutional Network for Traffic Prediction的代码配置环境

12-15

T-GCN (Temporal Graph Convolutional Network)是一种用于交通预测的深度学习模型，它结合了时间序列分析和图卷积网络技术。要在Python环境中运行T-GCN的相关代码，通常需要设置以下几个关键组件： 1. **Python环境**：推荐使用Anaconda创建一个新环境，并安装必要的库，如TensorFlow、PyTorch（取决于作者使用的版本）以及Keras或其他深度学习框架。 ```bash conda create -n tgcn python=3.7 conda activate tgcn pip install tensorflow==2.x keras or torch torchvision # 根据论文选择合适的深度学习库 ``` 2. **Git克隆项目**：从GitHub或者其他代码仓库下载T-GCN的源码，例如： ```bash git clone https://github.com/<author_name>/TGNN.git ``` 3. **数据预处理**：根据论文提供的数据集（如Peking University dataset），先对数据进行清洗、格式转换和标准化。 4. **代码配置**： - 配置文件：检查`config.py`，调整模型架构、超参数和训练设置等。 - 数据加载：可能涉及`data_loader.py`中的数据读取函数。 5. **运行模型**：在命令行中执行训练脚本，例如`python main.py`，这会启动模型训练过程。 6. **评估与测试**：在训练完成后，通过`test.py`或`evaluate.py`进行性能评估和结果可视化。