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

本文研究了数据感知动态系统的模型和验证，并将其扩展为线性算术。我们提出了 “有限总结” 的新语义属性，展示了有限总结对于 DDS 的线性时间、有限跟踪性质的证明是可判定的，并且展现了有限总结在形式方法和数据库理论中的具体应用。此外，我们展示了有限总结抽象的统一性质如何导致模块化结果。最后，我们演示了在原型实现中使用我们的方法的可行性。

Mar, 2022

本文分析了 Sum Product Networks 中的 D&C 条件，并揭示了它们与多线性算术电路之间的联系，探讨了它们能够捕捉各种分布的效果，并考虑了深度对其性能的影响。

Nov, 2014

通过引入 DPMC 和 DPO，结合动态规划和代数决策图技术实现了精确求解更为一般化的最大概率解释问题 Boolean MPE，并在随机生成的混合子句 - 异或范式公式实验中显著优于目前的 MaxSAT 状态最优求解器。

May, 2022

本文提出了一种新的时间建模方法 —— 语义 Petri 网（SPN），并实现了基于 RDFS 和 SPARQL 的状态和转换的 Colored Petri-Net 的动态建模和验证，以及域语义网络和时间模型之间的知识双向共享，以解决数字孪生中同时状态变化和依赖关系的可能应用。

Mar, 2022

基于扩散的方法能够通过对加噪数据集进行条件化，解决了当前神经过程模型中存在的一些限制，并且在性能上超越了目前的最先进技术。

Nov, 2023

通过新的边界方法，我们提出了一种名为 VPN 的算法，具有全局收敛保证，可在 MNIST、CIFAR10 和 STL10 数据集上进行经验证的完整 PN 验证，其关键洞察是我们获得比 IBP 和 DeepT-Fast 更紧密的边界。

Sep, 2022

本文研究基于关系型数据中心动态系统的（一阶）μ 演算验证，展示了在一些特殊情况下可决定性成立，并提供了一些避免不可决情况的句法条件，构建了一些注意到每个服务调用激活会生成新值的新概念以避免无限积累问题。

Feb, 2012

本文提出了 ASP 作为建模和解决声明性流程挖掘领域中的问题的方法，着重讨论了日志生成、一致性检查和查询检查三个经典问题。该方法基于将过程规范表示为（有限状态）自动机，由此可以处理更一般的规范，例如在有限跟踪上的线性时态逻辑公式。

May, 2022

本文研究了约束 DPPs（具有 partition 或 matroid 约束的 DPPs）采样的复杂性，提出了一种精确有效的算法，并将其解决方案表达为多项式形式。

Aug, 2016