实时和概率时态逻辑:一概述
提出了一种新的基于超定理解的概率时态逻辑,用于处理现实动态系统中的不确定性,探讨了逻辑的特性并提供了基于自动机的推断机制。同时,研究了具有更好计算性质的逻辑片段,可以通过现有的声明性流程发现技术从事件日志数据中发现公式。
Mar, 2019
针对由马尔可夫决策过程建模的概率系统,考虑在部分已知环境下综合控制策略,环境由一组马尔可夫链建模,其中每个马尔可夫链描述了环境的不同模式,但环境的模式对于系统是未知的。控制目标为最大化系统满足给定规范的期望概率和最大化最坏情况下满足规范的概率。
Mar, 2012
本文探讨了神经符号计算中的两个基本问题:深度学习是否能够端到端地解决逻辑中的挑战性问题,以及神经网络是否能够学习逻辑的语义。研究重点是线性时间暂态逻辑(LTL),通过训练 Transformer 来直接预测给定 LTL 公式的解,使用传统求解器产生的经典解决方案生成训练数据,研究表明,使用这些特定的解决方案进行训练已足够。 Transformers 甚至可以预测在文献基准测试中,经典求解器超时的公式的解,它也可以推广到逻辑的语义,虽然与经典求解器找到的解有所不同,但仍可以正确地预测大多数公式的解。
Mar, 2020
本文探讨了具有标准框架的 POMDPs,以模拟现实世界中存在的不确定性,以及时间逻辑规范。我们研究了帕里目标下的 POMDP 定性分析问题,该问题在理论上难以计算,但我们提出了解决该问题的实用方法,并在许多机器人应用的已知示例中使用了我们的实现。
Sep, 2014
本文针对 Temporal Equilibrium Logic(TEL)提供了一种系统的复杂性分析方法,可以检查 TEL 公式的时间均衡模型的存在性,并通过分析不同的 TEL 公式子类的复杂性,确定了可处理和不可处理的片段。
Feb, 2015
我们提出了一种新的方法,利用表达式优化和符合预测,从有限样本正确性保证的角度学习出可以在用户定义的置信水平下正确描述未来轨迹的时间逻辑谓词。我们通过对模拟轨迹数据集的实验结果以及消融研究来展示我们方法的性能,并分析了算法的各个组成部分对性能的贡献。
Jun, 2024