본 논문은 센서 신호 기반 지식 발견을 위한 새로운 신경-기호적 접근 방식을 제안합니다. 특히, 시계열 분류 작업에서 잠재적 하위 클래스를 식별하는 데 중점을 둡니다. 훈련된 신경망에서 파생된 기울기 기반 중요도 맵을 활용하여 발견 프로세스를 안내합니다. 다중 클래스 시계열 분류 문제를 레이블 포괄을 통해 이진 분류 문제로 변환하고, 각 문제에 대해 분류기를 훈련하여 중요도 맵을 생성합니다. 예측된 클래스별로 그룹화된 입력 신호는 세 가지 다른 구성 하에서 클러스터링됩니다. 최종 클러스터 세트의 중심은 LLM에 입력되어 기호적 근사 및 퍼지 지식 그래프 매칭을 수행하여 원래 다중 클래스 문제의 기본 하위 클래스를 발견합니다. 잘 확립된 시계열 분류 데이터 세트에 대한 실험 결과는 지식 발견을 위한 중요도 맵 기반 방법의 효과를 입증하며, 신호만 사용하는 기준선보다 클러스터링 및 하위 클래스 식별 모두에서 우수한 성능을 보입니다.
