摘要
本文介绍了 TRACTA,一个用于高复杂度事件驱动系统中时序结构推理的控制合成基准。该基准包含早期预警、模式检测和运行分类三项任务,对比了原始事件神经模型与基于语义轨迹的神经符号配置。结果表明,虽然原始事件学习具有信息量,但基于语义能力和上下文直接影响轨迹的时序建模表现最佳。消融分析证实了能力动态、上下文影响和时序结构的互补性,支持语义 grounding 轨迹作为时序结构推理的有效表示。
AI 推荐理由
论文提出时序推理基准,核心研究神经符号方法在复杂事件中的结构推理能力。
研究机构
Department of Computer Science, University of Turin, Corso Svizzera 185, 10149 Turin, Italy
CASD – School of Advanced Defense Studies, Piazza della Rovere 83, 00165 Rome, Italy
论文信息