Learning Structural Convergence: A Neuro-Symbolic Benchmark for Temporal Reasoning· 学习结构收敛：时间推理的神经符号基准
High-complexity operational environments require methods that detect and anticipate temporally distributed patterns rather than classify isolated events. This paper introduces TRACTA (Temporal Reasoning and Capability-Trajectory Analysis), a controlled synthetic benchmark for temporal structural reasoning in high-complexity event-driven systems, instantiated through Multi-Domain Operations (MDO)-like scenarios. The benchmark includes three tasks: early_warning, pattern_detection, and run_classification, and compares raw-event neural models, a contract-lite semantic baseline, and a neuro-symbolic configuration operating on semantically grounded trajectories. Results show that raw event-level learning remains informative, but learned temporal modeling over semantic capability and contextual
提出时间推理基准TRACTA，评估不同模型在高复杂环境中的性能。
- 核心方法
- 构建TRACTA基准，包括三个任务：早期预警、模式检测和运行分类，使用原始事件神经模型、语义基线和神经符号模型进行对比研究。
- 适合谁读
- 研究者
- 要解决的问题
- 高复杂度操作环境中，需要能够检测和预测时间分布模式的方法，而不仅仅是分类孤立事件。
- 关键实验
- 在TRACTA基准的三个任务上进行了实验，比较了不同模型的性能，证明了神经符号模型的有效性。
- 主要贡献
- 提供了一个用于评估时间推理能力的控制合成基准，展示了神经符号模型在语义建模和上下文理解上的优势。
- 意义与局限
- 对时间推理的研究有重要贡献，但实验场景较为合成，实际应用中可能面临更多挑战。