本論文では、センサー信号に基づいた知識発見の新しい神経シンボリックアプローチを提案しています。特に、時系列分類タスクにおける潜在的なサブクラスの識別に焦点を当てます。このアプローチは、訓練されたニューラルネットワークから導出された勾配ベースのサリエンシーマップを活用して、発見プロセスを導きます。複数クラスの時系列分類問題は、ラベルの包含を通じて二項分類問題に変換され、各分類器が訓練されてサリエンシーマップを生成します。予測されたクラスによってグループ化された入力信号は、3つの異なる構成のもとでクラスタリングされ、最終的なクラスタの重心が符号化近似とファジー知識グラフマッチングのためにLLMに入力されます。本手法は、既存の時系列分類データセットでの実験結果において、信号のみのベースラインを上回る効果を示しました。特に、クラスタリングとサブクラスの識別において優れたパフォーマンスを発揮しています。