基于链律推理的低资源时序知识表示：面向规划指令的 CoT-TL
高能物理 - 唯象学
2026-02-18 v2 高能物理 - 格点
核实验
核理论
摘要
自动化代理常需面临解读不确定自然语言指令以完成规划任务的挑战。将这些指令表示为线性时序逻辑 (LTL) 可使规划器能够合成可操作的计划。我们引入 CoT-TL，一个数据高效的情境学习框架，用于将自然语言规范转化为 LTL 表示。CoT-TL 通过扩展链律推理和语义角色，以适应形式逻辑创建的要求，从而克服了大型语言模型通常依赖大量微调数据的局限。该方法增强了 LTL 生成的透明度和依据，促进了用户信任。CoT-TL 在三个多样化数据集上实现了无微调或中间翻译的最先进准确率，尤其在低数据场景下表现突出。为提高可靠性并最小化幻觉，我们采用模型检查来验证生成的 LTL 输出语法。我们进一步通过在新数据集上对未见 LTL 结构和公式进行消融实验和评估，证明了 CoT-TL 的有效性。最后，我们通过将其集成到四旋翼无人机中，基于自然语言指令实现了多步骤飞行计划，验证了 CoT-TL 的实际应用价值。项目详情：https://github.com/kumarmanas/TAMP_COT_TL
引用
@article{arxiv.2410.16206,
title = {Locating the QCD critical point through contours of constant entropy density},
author = {Hitansh Shah and Mauricio Hippert and Jorge Noronha and Claudia Ratti and Volodymyr Vovchenko},
journal= {arXiv preprint arXiv:2410.16206},
year = {2026}
}
备注
7 pages, 3 figures + supplemental material