WSQ_2000的博客

今天读一篇来自Nature最水子刊SR的作品，名字中的量子动作选择听起来非常高大上，来看看是个什么东西。

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。

又是一篇有关STL任务分解的文章。

这是的前传，基于SMT完成STL公式的分解。

多智能体 STL任务分解。

从轨迹中推理出MITL公式判断是否可以迁移对于原任务和目标任务，对每个子公式构建timed automaton原任务在构建的automaton上进行强化学习建立原任务和目标任务的映射，把Q表迁移至目标任务在迁移过来的Q表的基础上继续进行强化学习结果：在两个相近的任务间进行迁移学习，采样效率最多能提高一个量级高层信息的结合能够大大提高强化学习的采样效率源任务：先去绿色区域待够4秒，再在40秒内到达黄色区域目标任务：先去绿色区域待够5秒，再在40秒内到达黄色区域机器人事先不知道绿色和黄色区域的位置40秒时完成任

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。

好久没看文献了，来更一篇time-variant weights of STLweights are learned by NN通过决策树方法学出一系列STL约束通过计算信号前缀相对于STL约束的加权鲁棒度来对信号前缀进行分类在每个时间点学一个wSTL来分类，有点无聊前期的决策时间点太少了吧，在第一个决策点之前都是盲猜啊数据集：等长的带标签信号数据不是一次性获取，在收集信号的过程中给信号分类最小化每个时刻的误分类率找决策时间点一种基于信号间距离度量的启发式方法positive-negtive distanc

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。

参考文献： P. Kapoor, A. Balakrishnan, and J. V. Deshmukh, “Model-based Reinforcement Learning from Signal Temporal Logic Specifications.” arXiv, Nov. 10, 2020. doi: 10.48550/arXiv.2011.04950.

使用MILP对STL约束进行编码的经典文章

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。...

前言：师兄组会上的一篇文章, 给结构学习提供了新思路, 自己仔细读一读记点笔记.主要参考文献:Chen, G., Lu, Y., Su, R., & Kong, Z. (2022). Interpretable Fault Diagnosis of Rolling Element Bearings with Temporal Logic Neural Network. ArXiv. https://doi.org/10.48550/arXiv.2204.07579文章目录概览流水账笔记1

前言：这是一篇由于实在看不懂而决定中途断更的文章.主要参考文献：Baharisangari, N., Gaglione, J.-R., Neider, D., Topcu, U., & Xu, Z. (2021). Uncertainty-Aware Signal Temporal Logic Inference.文章目录概览流水账笔记1 Introduction问题背景本文工作相关研究2 PreliminariesFinite trajectoriesIntervals and inte

前言：借这里汇报一下毕业论文的进度，结构学习部分的论文和代码已经完成98%，现在回头搞参数学习发现现在掌握的方法都不能很好地契合毕设的整体结构。因此现在飞速地多看几篇，争取本周完工。主要参考文献：Leung, K., Arechiga, N., & Pavone, M. (2019, June). Backpropagation for Parametric STL. 2019 IEEE Intelligent Vehicles Symposium (IV). https://doi.org/

前言:之前精读了两篇参数学习的文章, 算法的运行效果不尽人意, 并且最终也没有得出最佳参数. 这篇文章提出用优化算法来直接计算出, 因此特地读来看看.主要参考文献:Jha, S., Tiwari, A., Seshia, S. A., Sahai, T., & Shankar, N. (2017). TeLEx: Passive STL Learning Using Only Positive Examples. In Runtime Verification (pp. 208–224).

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

前言：基于决策树的结构学习方法在最近的文献中比较普遍，今天来精读一下这篇文章。主要参考文献：Bombara, G., Vasile, C.-I., Penedo, F., Yasuoka, H., & Belta, C. (2016, April 11). A Decision Tree Approach to Data Classification using Signal Temporal Logic. Proceedings of the 19th International Confe

前言：这是上一篇文章Temporal logic inference for classification and prediction from data的姊妹篇，出自于同一课题组的研究人员，文章比较短，重复的部分比较多，就顺便读掉了。主要参考文献：A. Jones, Z. Kong and C. Belta, “Anomaly detection in cyber-physical systems: A formal methods approach,” 53rd IEEE Conference

前言：前面复现的两篇文章都是基于已知的公式模板进行的参数学习，然而在工程应用和科学研究时，不知道系统规律才是常态。对于一段信号，实现从一无所知到洞悉规律，才是时序逻辑学习终止需要达到的效果。主要参考文献：Kong, Z., Jones, A., Medina Ayala, A., Aydin Gol, E., & Belta, C. (2014, April 15). Temporal logic inference for classification and prediction from

前情提要：由于上一篇文章Parametric Identification of Temporal Properties中的算法效率复杂度过高，因此找到了这一篇文献看看是否有更高效的算法。主要参考文献：Alexey Bakhirkin, Thomas Ferrère, and Oded Maler. 2018. Efficient Parametric Identification for STL. In Proceedings of the 21st International Conference

文章目录本文主要任务参考文献:Asarin, E., Donzé, A., Maler, O., & Nickovic, D. (2012). Parametric Identification of Temporal Properties. In Runtime Verification (pp. 147–160). https://doi.org/10.1007/978-3-642-29860-8_12本文主要任务根据STL公式模板推理出满足dense-time......