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。

本研究提出了一种自动从系统行为生成规格的方法，解决了形式验证中手动制定规格的挑战与易错性，并比较了不同的LTL规格挖掘技术，对形式方法实践者具有重要指导意义。

本研究首次明确了带有线性时态逻辑LTL运算符的Datalog查询的数据复杂性，结果显示LogSpace为PSpace完全，而AC0、ACC0和NC1的判断可在ExpSpace中完成，揭示了复杂查询的可计算性边界。

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。

本文提出了一种新的马尔可夫决策过程任务规范语言，旨在改进奖励函数并独立于环境。研究结合深度强化学习与线性时间逻辑（LTL），展示了在多任务环境中提高指令跟随效率的优势，并通过新型框架和算法解决了稀疏奖励信号问题，显著提升了学习性能。

近年来，机器学习（ML）模型在各个领域取得了显著的成功，然而这些模型也倾向于表现出不安全的行为，这限制了它们在安全关键系统中的部署。为了解决这个问题，许多研究集中在开发能够保证给定 ML 模型的安全行为的方法。其中一个突出的例子是屏蔽，它包含一个外部组件（“屏蔽器”）用于阻止不需要的行为。尽管取得了相当大的进展，但屏蔽仍然存在一个主要问题：它目前只适用于命题逻辑（例如...

本文探讨了利用大型语言模型生成和解释线性时态逻辑（LTL）公式的方法，旨在减少对人工数据的依赖，提高自然语言命令的翻译准确率。研究提出了多种算法和框架，增强了模型在伦理推理和法律系统中的应用，提升了解释质量和可访问性。

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。

强生公司面临38000起滑石粉致癌诉讼，子公司LTL提起诉讼，指控研究人员误导并要求撤回研究。研究人员的报告指出滑石粉可能导致间皮瘤。LTL称研究人员隐瞒患者接触石棉的事实，要求披露患者身份信息。强生已支付21亿美元赔偿金，花费45亿美元解决诉讼。强生希望逼迫研究人员改口，赢得诉讼。