Signal-Temporale Logik bleibt zuverlässig trotz Verteilungssprung

In der dynamischen Systemanalyse gewinnt die Signal-Temporale Logik (STL) zunehmend an Bedeutung, weil sie verständliche logische Regeln für zeitliche Verhaltensmuster liefert. Doch bisherige Lernverfahren setzen voraus, dass Trainings- und Testdaten aus derselben Verteilung stammen – ein Ideal, das in der Praxis selten zutrifft. Ein neues Verfahren aus dem arXiv-Preprint 2603.27062v1 löst dieses Problem, indem es STL-Infere­nz mit konformer Vorhersage kombiniert und gleichzeitig die Unterschiede zwischen Trainings- und Einsatzdaten berücksichtigt.

Der Ansatz beginnt mit einer template‑freien, differenzierbaren STL‑Methode, die ein erstes Modell erzeugt. Anschließend wird dieses Modell mithilfe eines kleinen Datensatzes aus der Einsatzumgebung verfeinert, um die Verteilung der Trajektorien anzugleichen. Um die Gültigkeit unter Verteilungssprüngen zu garantieren, schätzt das Verfahren das Likelihood‑Verhältnis zwischen Trainings- und Einsatzverteilungen und integriert es in ein gewichtetes konformes Vorhersageschema, das auf der Robustheit von STL basiert.

Experimentelle Tests auf Trajektorien‑Datensätzen zeigen, dass das neue Framework die Interpretierbarkeit der STL‑Formeln bewahrt und gleichzeitig die Zuverlässigkeit der symbolischen Lernalgorithmen bei der Bereitstellung deutlich erhöht. Damit bietet es einen vielversprechenden Weg, robuste, erklärbare Modelle in realen, verteilungsverschobenen Szenarien einzusetzen.