Resumen: Los enfoques de vanguardia para integrar el conocimiento simbólico con arquitecturas de aprendizaje profundo han demostrado resultados prometedores en dominios estáticos. Sin embargo, los métodos para manejar las especificaciones lógicas temporales permanecen subexploradas. El único enfoque existente se basa en una representación explícita de un autómata de estado finito correspondiente a la especificación temporal. En cambio, nuestro objetivo es proponer un marco neuroestimbólico diseñado para incorporar especificaciones lógicas temporales, expresadas en lógica temporal lineal sobre trazas finitas (LTLF), directamente en arquitecturas de aprendizaje profundo para tareas basadas en secuencias. Extendemos el algoritmo neurosimbólico de refinamiento local iterativo (ILR), aprovechando la reciente introducción de interpretaciones de LTLF difuso. Nombre este método propuesto refinamiento local iterativo temporal (T-ILR). Evaluamos T-ILR en un punto de referencia existente para las arquitecturas neurosimbólicas temporales, que consiste en la clasificación de secuencias de imágenes en presencia de conocimiento temporal. Los resultados demuestran una precisión mejorada y eficiencia computacional en comparación con el método de vanguardia.
Publicado Originalme en export.arxiv.org El 24 de agosto de 2025.
Ver Fuente Original
