Aug, 2022

基于自学控制器与 Answer Set Programming 的复杂事件模式学习

PDF
TL;DR本文提出了一种通过 Answer Set Programming (ASP) 规则定义转移启用条件的符号自动机学习方法，该方法在 Complex Event Recognition (CER) 领域具有优越的性能表现和高效性。
complex event recognitionforecastingsymbolic automataanswer set programmingmachine learning
发现论文，激发创造
  • 在线学习概率事实演算理论在答案集编程中的应用

    介绍了一种基于 ASP 的、能够通过权重规则进行概率推理的复杂事件识别系统，可应用于活动识别等领域，并与多种现有算法进行了比较，并证明了其在效率和预测性能方面的优越性。

    Mar, 2021

  • 概率复杂事件识别：综述

    本文研究复杂事件识别技术中的不确定性，并回顾了基于自动机、概率图模型和一阶逻辑等技术以及基于 Petri 网和语法的方法，提出了它们存在的一些限制，并针对性地指出未来研究的方向。

    Feb, 2017

  • ASPER：用于联合实体关系抽取的答案集编程增强神经网络模型

    本文介绍了 ASP-enhanced Entity-Relation extraction (ASPER) 方法，通过将 Answer Set Programming (ASP) 中的实际知识（表示为事实）和派生知识（表示为规则）与神经网络模型相结合，来联合识别实体和关系并从中学习。实验结果表明，ASPER 方法在两个真实数据集上均优于三个基线模型。

    May, 2023

  • 基于符号寄存器传感器的复杂事件识别：扩展技术报告

    我们提出了基于自动机的复杂事件识别系统，通过 Symbolic Register Transducers 实现模式检测，提供声明性和组合性语义，并比较我们的系统与其他先进的 CER 系统，表明其更具表达能力和效率。

    Jul, 2024

  • ASP 编码在序列模式挖掘任务中的效率分析

    本文介绍了使用 Answer Set Programming（ASP）挖掘顺序模式。我们借助 ASP 对背景知识进行模式挖掘，提出了两种嵌入表示中经典顺序模式挖掘任务的编码，并对各种类型的模式比较了这些编码的计算性能。结果表明，fill-gaps 策略在实际问题中的内存消耗较低。相较于约束编程方法（CPSM），我们的方案表现稳定。

    Nov, 2017

  • 应用答案集编程进行模式挖掘

    本文探讨使用 Answer Set Programming（ASP）这样的声明性语言来有效地解决序列模式挖掘的问题，提出了几种 ASP 实现序列模式挖掘任务的方法，即非增量和增量分辨率，并发现增量分辨率比非增量分辨率更有效，在序列模式挖掘方面具有潜在的应用。

    Sep, 2014

  • 动态不确定领域推理的事件演算产生式规则系统

    本文介绍了 Cerbere，一种基于事件演算的产品系统，旨在执行在线因果、时间和认识推理，以及一个混合框架，将基于逻辑的推理与概率推理相结合，旨在在智能空间中进行活动识别和监测任务。

    Dec, 2015

  • 面向流推理的答案集编程

    通过使用 ASP 技术，本研究在解决物联网、传感器技术、连续数据流、流推理等领域中的关键问题。

    Jan, 2013

  • NeurASP：将神经网络融入 Answer Set Programming

    NeurASP 是一种简单的扩展答案集程序的方法，它综合了神经网络的子符号计算和符号计算。它可以利用预训练的神经网络进行符号计算并通过应用答案集程序中的符号推理来提高神经网络的感知结果。此外，通过使用 ASP 规则训练神经网络，它还可以从规则表达的复杂语义约束中学习，以便神经网络不仅可以从数据的隐式相关性中学习，还可以从规则表达的显式约束中学习。

    Jul, 2023

  • 一种多引擎的答案集编程方法

    本文提出了一种在现有 ASP 求解器基础之上通过应用机器学习方法，通过识别 ASP 程序的一组易于计算的句法特征，并对这些实例上的性能表现进行归纳学习算法选择策略，从而能够比第三届 ASP 竞赛的任何求解器都更有效地解决实例。

    Jun, 2013