기존의 신경-기호(neuro-symbolic) AI 방법론 대부분은 객체가 시간 차원에 따라 변하지 않는 정적 지식(static knowledge) 시나리오에 집중하고 있습니다. 시간적 신경-기호(Temporal neuro-symbolic) 연구는 여전히 미개척 분야이며, 주로 시간 간격 논리(time-interval logic) 또는 명제 선형 시간 논리(propositional linear temporal logic)를 위해 개발되었습니다. 시간이 흐름에 따라 속성과 관계가 변하는 객체를 다루는 술어(predicates)를 포함한 선형 시간 논리(linear temporal logics)를 연구하는 모델은 부족한 실정입니다. 본 논문에서는 선형 시간 차원을 고려함으로써 이러한 공백을 메우는 Logic Tensor Networks (LTN)의 확장판인 First-Order Temporal Logic Tensor Networks (FOT-LTN)를 제안합니다. 특히, FOT-LTN은 1차 선형 시간 논리(First-Order Linear Temporal Logic)의 구문(syntax)을 LTN의 퍼지(fuzzy, 그리고 실수 값) 의미론(semantics)과 결합하여, 시간 연산자(temporal operators)와 양화사(quantifiers)를 모두 지원하며 완전히 미분 가능한(totally differentiable) 프레임워크를 구축합니다. 첫 번째 평가로서 두 개의 합성 데이터셋(synthetic datasets)에 대한 시간적 지식 그래프 완성(temporal knowledge graph completion) 작업을 수행하였으며, 그 결과 FOT-LTN이 전용(순수 신경망 기반) 방법론들에 비해 더 나은 성능을 보임을 입증하였습니다.