该研究提出了工具SemML，利用机器学习增强基于线性时序逻辑（LTL）的反应系统合成。SemML通过语义标记和机器学习策略，提高了合成效率，实验证明其在解决实例和速度上优于现有方法。

本研究提出了一种无悔的在线强化学习算法，旨在为安全关键系统在未知动态环境中合成控制器。该算法能够有效评估学习过程中接近最佳行为的程度，显著提升基于线性时序逻辑（LTL）规范的任务学习性能与效率。

本文介绍了一种基于线性时序逻辑（LTL）的强化学习方法，旨在解决机器人复杂任务的学习问题。研究提出了多种算法，通过将LTL规范转化为奖励函数，优化策略搜索，增强鲁棒性，并在仿真实验中验证了其有效性。

本文综述了线性时序逻辑（LTL）学习与神经符号计算的多项研究，涵盖LTL公式学习算法、Transformer预测LTL解、SMT与定理证明方法、深度强化学习指令跟随，以及图表示学习加速模型检测，并探讨了LTL学习的NP完全复杂性。

该文综述了将线性时序逻辑（LTL）等形式化规范与强化学习结合的研究，包括利用大语言模型规划子目标、自动机与神经网络提升样本效率、TLTL鲁棒性奖励、STL多智能体奖励设计、LTL预训练与多任务选项学习等，旨在提高复杂任务下策略学习的效率、安全性与最优性。