May, 2023

基于规则的 LTLf 过程规范的测量：一种基于概率的数据驱动方法

PDF
TL;DR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。
发现论文，激发创造
  • 测量声明式流程规范中的不一致性

    这篇研究论文解决了测量申明性进程规范不一致性的问题，重点介绍了固定跟踪（LTLff）的线性时间逻辑的不一致性，提出了一种新的不完全一致语义作为不一致性测量的框架。提出两种基于这些语义的不一致性度量，并研究了引入方法的计算复杂性。

    Jun, 2022

  • 模糊日志的一致性检查与声明性时间规范

    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

  • 可解释的时序逻辑学徒学习

    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

  • 关于带不确定性有限轨迹的时间逻辑（技术报告）

    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

  • 基于聚类的预测性过程监控

    提出了一个基于事件日志的预测性流程监控框架，在运行中的案例中，通过将其映射到群集并应用相应的分类器，估计一个给定谓词在完成时将被满足的概率，该框架已在 ProM 工具集上实现并在一家大型医院的癌症治疗日志上验证。

    Jun, 2015

  • 业务流程的预测监控

    本文介绍了一种分析事件日志的方法，以在商业流程执行期间预测性地监视业务目标。该方法可在 ProM 流程挖掘工具套件中实现，并验证了其在大型医院癌症患者治疗日志方面的有效性。

    Dec, 2013

  • 基于 LTL 规约的样本高效无模型强化学习及最优性保证

    本研究提出一种基于强化学习的模型自由优化方法来学习行为策略，以最大化符合给定线性时态逻辑规范的概率。通过采用新型的产品 MDP、奖励结构和折扣机制，在各种 MDP 环境中进行实验，证明了其具有改进的样本效率和最优策略收敛性。

    May, 2023

  • 基于规范的预测性业务流程监控

    该论文引入了一种用于指定预测任务并自动创建相应预测模型的规范语言，以应对不同业务领域的预测需求，并提供了实现该方法的实验结果。

    Apr, 2019

  • 通过 GLTL 实现的环境无关任务规格

    提出了一种新的用于马尔可夫决策过程的任务规范语言，其设计旨在改进奖励函数，成为独立于环境的语言。该语言是 LTL 的一种变体，被扩展为概率规范，可以在有限时间内学习逼近。提供了几个小环境，展示了我们的几何 LTL 语言的优势，说明了它如何简单地用于规范标准强化学习任务。

    Apr, 2017

  • 线性时态逻辑规则的基于点的时间解释

    这项工作介绍了一种在给定路径规划中评估单个线性时间逻辑（LTL）约束在特定时间的相关性的框架，这是一项我们称之为 “点时解释” 的任务。

    Jun, 2023