面向加权信号时序逻辑的神经网络
机器学习
2021-04-13 v1 神经与进化计算
摘要
在本文中，我们提出了一种称为加权信号时序逻辑神经网络（wSTL-NN）的神经符号框架，它结合了神经网络与时序逻辑的特性。加权信号时序逻辑（wSTL）公式由子公式递归组合而成，这些子公式通过逻辑和时间算子进行组合。wSTL 的定量语义被定义为：具有较高权重的子公式的定量满足度对整体 wSTL 公式的定量满足度有更大的影响。在 wSTL-NN 中，每个神经元对应一个 wSTL 子公式，其输出对应该公式的定量满足度。我们使用 wSTL-NN 将 wSTL 公式表示为特征，以对时间序列数据进行分类。STL 特征比经典方法中使用的特征更具可解释性。wSTL-NN 是端到端可微的，这使得可以使用反向传播来学习 wSTL 公式。为了减少权重数量，我们引入了两种技术来稀疏化 wSTL-NN。我们将我们的框架应用于一个占用检测时间序列数据集，以学习一个预测办公室房间占用状态的分类器。
引用
@article{arxiv.2104.05435,
title = {Neural Network for Weighted Signal Temporal Logic},
author = {Ruixuan Yan and Agung Julius},
journal= {arXiv preprint arXiv:2104.05435},
year = {2021}
}