测量声明式流程规范中的不一致性
本文介绍了一种为声明性流程规范设计概率测量的框架。提出了一种测量事件日志上规范满足度的技术,并使用真实数据进行了评估,证明了它在发现、检查和漂移检测方面的适用性。
May, 2023
传统的一致性检查任务假设事件数据提供了实际流程执行的准确和完整的表示。然而,由于日益普遍的事件识别管道所导致的不确定性,事件不再以明确的方式被跟踪,而是间接地得到。本文提出了一个新的模糊语义的模型,用于检查模糊事件数据是否符合声明模式或线性时间逻辑的要求。通过放宽假设并重新定义模糊语义的布尔运算符,我们能够检查多个模糊跟踪的一致性,以解决这一问题。
Jun, 2024
本文介绍了一种基于不一致性度量基本原理的条件概率知识库不一致性度量方法,以及基于 Shapley 值的不一致性指标,该指标不仅能够度量不一致性,还能揭示知识库中不一致性的原因,并还原一致、可用于概率专家系统的知识库。
May, 2012
本文总结了两种不同的问题设置中,从正面或反面的示例中学习 LTL 公式的两种方法,第一种方法假设示例标记有噪声,第二种方法则考虑在仅给出正面示例的情况下推断有意义的 LTL 公式,所提出的方法提供了解决上述问题的不同算法,以及推断时的其他时间性质描述,如信号时间逻辑或确定性有限自动机。
Dec, 2022
本文讨论了在 Markov 决策过程中,使用 LTL 的公式作为代理规划的规范,通过形成多目标优化问题,从 MDP 中演示的行为轨迹中推断 LTL 规范,利用遗传编程解决该问题的有效性进行了证明。
Oct, 2017
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
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
本文研究数据驱动模型识别的问题,提出了逼近未知动态和推断未知逻辑规范的数据驱动方法,并利用基于优化的算法分析了学习 / 推断的模型 - 任务对的区别,为该集合中与新观察不一致的模型 - 任务对规定模型推断的逻辑规范的大小,以增加模型鉴别算法的计算效率。
Jun, 2023