该研究论文介绍了在数字孪生系统中利用语义关联规则学习和知识图谱的方法，并通过工业应用的评估表明该方法能够学习具有语义信息的大量关联规则，为进一步研究工业应用的语义关联规则学习奠定了基础。

Oct, 2023

利用时态推理数据库跟踪结构化事实来探索过去事件如何影响事件的现有概率，并通过神经概率模型来提高预测准确率。

Jun, 2020

本研究旨在提高对不一致和不确定数据的推理能力，并着重探讨历史科学中常见的带时间间隔的知识图形数据。我们提出了关于新的时间马尔科夫逻辑网络（TMLN）的语义原理，旨在实现高效的最大后验推理，并扩展马尔科夫逻辑网络（MLN）以涵盖不确定的时间事实和规则，并研究了不同时间公式之间的全局和局部时间（不）一致性关系。然后，我们提出了新的时间参数语义，可以组合多个子函数，使用不同的评估策略。最后，我们介绍了语义必须遵守的限制，以满足我们的原则。

Nov, 2022

该研究在交互式定理证明器 Isabelle/HOL 中，提出了一种简单而简洁的时间规划语义，并基于该语义推导了验证算法。通过正式证明，该验证算法实现了时间规划语义，并进行了实验评估，证明其实用性。

Mar, 2022

本文提出了一种新颖的方法，通过将时间性注入蕴涵图来解决假的蕴涵问题。我们专注于体育领域，通过不同的结果，多次运用同一对团队的情景，构建了一个无监督模型，旨在学习像胜利 / 失败导致比赛一样的蕴涵关系，同时避免学习类似获胜不蕴含失败的非蕴涵关系。本文通过手工构建的数据集对模型进行了评估，显示出采用时间间隔并在其周围施加时间窗口的有效策略。

Sep, 2021

在真实世界的领域，如生产工厂、自动驾驶车辆或交通基础设施中使用强化学习 (RL) 控制代理时，算法的不可信通常是一个问题，部分原因是模型本身的可验证性不足。为了促进 RL 模型的整合并增强人工智能的可信度，我们提出了一种使用 Petri 网 (PNs) 的方法，相比传统的 RL 方法，具有三个主要优势：首先，代理现在可以用一个合并的状态来建模，包括来自给定 PNs 的外部环境观测和代理特定状态信息；其次，我们可以通过内在的 PN 模型对状态相关动作进行约束；最后，我们可以通过模型检验等技术验证 PN 属性，进一步增加可信度。我们在典型的四路交叉口红绿灯控制设置上测试了我们的方法，并呈现了结果，超过了基于周期的基准。

Jul, 2024

概率编程是一种允许编写统计模型、通过运行这些模型进行模拟，并利用强大的推理引擎分析和改进它们的统计行为的编程范式。本文介绍了将数据 Petri 网（DPNs）系统地转化为使用大多数概率编程系统支持的概率编程语言模型的方法。我们证明了我们的转化方法是可靠的，并可以提供模拟 DPNs 的统计保证。此外，我们讨论了概率编程在过程挖掘任务中的应用，并报告了我们的转化方法的原型实现。我们还讨论了基于所提出的转化方法和现有的概率编程工具可以轻松实现的进一步分析场景。

Jun, 2024

本文描述了一种通用的框架用于表示和处理具有注释的语义 Web 数据，包括其语言、演绎系统和查询回答问题。通过实例化它，我们显示了以前关于特定 RDF 注释域的贡献被我们的统一推理形式所包含。此外，我们提供了一种通用方法，用于组合多个注释域，从而允许表示临时注释的模糊 RDF 等。同时，我们还开发了一种查询语言 AnQL，并提供了其语义的形式定义。

Mar, 2011

本文讨论了在不同的实际应用中将语义图应用于自动化数字孪生所需的独特要求，并介绍了反映这些特征的基准数据集 DTBM，并探讨了不同知识图技术的规模化挑战。基于这些见解，我们将提出在 IBM 中多个产品中使用的参考架构，并推导出用于配置数字孪生的 AI 模型的规模化知识图的教训。

Oct, 2022

研究了一种基于归纳逻辑规划的归纳时空学习框架，支持包含处理和解释动态视觉空间图像的多个领域中，通过关系时空特征的学习。提供了一个原型系统和一个在视觉艺术和计算认知科学领域的示例应用。

Aug, 2016