本研究提出了一个基于猜测编程理论的 FastDiagP 并行化诊断算法来改善 FastDiag 算法的性能问题,该算法通过预测需求提前执行一部分计算来提高性能,并在 Linux-2.6.3.33 配置知识库中得到了实证结果验证。
May, 2023
本文介绍了如何将基于分治法的(直接)诊断算法(无需冲突检测)用于基于约束的推荐场景中,并提供了基于 MediaWiki 的推荐环境 WeeVis 的概述。
Feb, 2021
本论文提出了一种名为 Discret2Di 的方法,用于自动学习基于一致性的诊断的逻辑表达式。该方法通过结合时间序列和符号域的机器学习,解决了逻辑计算在动态系统离散化方面的关键问题。
Nov, 2023
通过将 Reiter 理论泛化为对任何类型系统和诊断的无知论,我们定义了基于首要原则的最小诊断,它将最有可能的诊断候选集合在一个假设搜索空间中。在相对温和的假设下,我们的算法能够正确计算首选的诊断候选集合。尽管搜索空间不再是幂集,与 Reiter 理论不同,我们的理论的适用性更广,并且在实际问题中实现的两个算法能够解决现有诊断方法无法解决的示例。
Sep, 2023
本文介绍了一种高效的模型诊断过程,针对具有输入输出因果关系的系统。在此诊断过程中,首先确定一组可能破损的组件的焦点;其次,在焦点内确定最具信息的探测点。该诊断过程在组件的连通性低时表现出线性时间复杂度,并可应用于动态系统和包含循环的系统中,可选择检测间歇性故障或通过假定非间歇性来提高诊断精度。
Sep, 2022
本文介绍了一种动态一致性检查技术,可以在我们的面向目标的方法中实现计算答案集,只测试与部分答案集相关的约束条件,从而使不一致的知识库能够成功查询。但是,该算法保证,如果一个程序至少有一个一致的答案集,则返回的任何部分答案集都将是一些一致答案集的子集。
May, 2014
提出一种通过利用更粗粒度的原因信息表示来降低搜索空间的组合爆炸,从而极大地减少计算时间,并根据信心对原因预测进行评分的新方法,证明了方法的正确性和渐近一致性,并证明了该方法在合成数据上的优越性能,并将其应用于具有挑战性的蛋白数据集中。
Jun, 2016
本研究旨在通过多项式数量的条件独立性测试来学习隐藏因果图的较粗糙表示,名为因果一致分区图(CCPG),它由顶点的一个分区和在其组件上定义的有向图组成,并满足方向性的一致性和其他有利于更细的分区的约束条件。此方法在因果图可识别的特殊情况下,通过多项式数量的测试,提供了首个有效的还原真实因果图的算法。
Jun, 2024
提出了基于多值决策图表示法的约束序列模式挖掘技术,可以适应多个项目属性和各种约束类型,包括一些非单调约束。通过开发一个基于 MDD 的前缀投影算法,可以将其应用性进行评估,并与典型的生成检查变体以及最先进的基于约束的序列模式挖掘算法进行性能比较,结果表明我们的方法在可伸缩性和效率方面与其他方法相当或优于其他方法。
Nov, 2018
介绍一种用几何模型来解决多约束条件优化问题的方法,并在布尔可满足性问题和球体堆积问题两个基准测试中说明了其有效性和竞争性。
Dec, 2007