事件结构在并发计算中扮演重要角色，最近将其扩展到可逆性处理，研究了可逆事件结构与 Petri 网之间的联系，引入了可逆因果网络，并从操作层面解释了可逆主事件结构的完整模型。

Dec, 2023

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

本文研究了一种当前或重新引起物理学和统计学关注的非可逆蒙特卡洛马尔可夫链和过程，开发了一种与可逆情景类似的比较结果，揭示了早期文献的一些猜想，并加强了一些早期结果。

Jun, 2019

本论文介绍了化学反应网络，探讨了其计算行为和函数计算的相关概念，并提出 CRN 可以解决的问题范畴，发现 semilinear predicates 对于 CRN 只是决策而非计算；进一步探究了 semilinear 函数计算的时间复杂度问题。

Apr, 2012

我们研究了带有数据的 Petri 网，Petri 网的扩展，其中令牌携带来自无限数据域的值，并且过渡的可执行性取决于数据值之间的等式。我们提供了一个双向可达性问题的决策过程：给定一个 Petri 网及其两个配置，我们询问每个配置是否可以从另一个配置达到。这推动了可判定性边界，因为双向可达性问题包含可覆盖性问题（已知可判定）并被可达性问题所包含（其可判定性状态未知）。

May, 2024

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

本文提出一个框架，通过引入标记和无声转换在有限轨迹语义中的标记随机过程，应用于 Petri 网和过程挖掘中的频率和概率分析任务，并用吸收马尔科夫链的技术推理出它们的概率。

Jun, 2023

该研究提出了一种称为可逆 RNN 的方法，用于优化循环神经网络，该方法可以在不存储 hidden activations 的情况下实现完全可逆，并降低激活内存成本，扩展到 attention-based sequence-to-sequence 模型中效果显著。

Oct, 2018

该研究提出了一种基于广义 EM 方法的 RNNNTP 方法，通过将其分为关系生成器和预测器，训练出同时具有高效性和可解释性的模型，实现了知识图谱的链接预测任务，并在性能上表现出与传统方法和当前强竞争方法相当的结果。

Mar, 2022

本文介绍了物理学知识导向符号网络（PISN），并提出了多层符号网络，以解决部分微分方程。我们还提出了物理学知识导向神经符号网络（PINSN），在符号网络残差的模拟中使用了多层感知器，PINSNs 在性能上优于标准 PINN。

Jul, 2022