可逆透视下的 Petri 网和事件结构
可逆计算是一种新兴的计算范式,通过任意顺序的操作可以在计算过程中的任何时候反向执行。本文将反向 Petri 网(RPN)扩展到处理具有令牌重复性的 RPN,通过引入名字标记、历史函数和 Coloured Petri 网,以及一个实现该转换的工具,为自动翻译和分析可逆系统铺平了道路。
Nov, 2023
本文研究了基于逻辑的事件识别中的不确定性问题,并通过引入概率推理扩展了事件演算,使用 Markov 逻辑网络作为基础形式。通过实验验证,证明了引入概率模型的 Event Calculus 在活动识别领域的优势。
Jul, 2012
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
本文描述了一种计算给定交互模式下可出现的信息理论约束的通用算法,并将其应用于两个相关案例:第一个案例中,我们证明信息因果原则在我们的框架中自然出现且得到推广和强化;第二个案例中,我们导出了在网络架构中可能出现的相关性的限制。
Jul, 2014
本研究提出了 EventNet,一种基于新型视觉传感器的神经网络,旨在实时处理异步事件流,并采用了新的时间编码方案来建模输出对数万个因果事件的依赖关系,同时在标准 CPU 上每秒处理百万个事件,通过实验验证了该框架的实时性和稳健性。
Dec, 2018
本研究提出了一个能够表达和推理连续时间事件关系的生成模型,并将其应用于网络和分布式计算环境的领域,在从时间戳观察中拟合模型参数后,使用假设检验来发现事件之间的依赖性和行为变化,进而进行监测和诊断。该方法在微软研究剑桥的网络事件跟踪实验中使用实际数据进行了验证。最后,本文还对时间离散化后所提出模型与 Noisy-OR 门的关系进行了形式化描述。
Jun, 2012
本篇论文提出了一种使用循环事件网络的方法,针对具有时间戳的知识图谱中的推理问题,通过对已知事实的模型化预测未来事件,通过对未来时间戳上的链接预测实现多步推理。
Apr, 2019
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
我们介绍了一种创新的框架来解决作业车间调度问题,通过使用 Petri 网建模作业车间,提高了可解释性,同时还实现了将原始数据直接整合到过程中,无需对作业车间实例进行预处理,Petri 网的控制功能使得自动化组件能够掌控流程,允许智能体专注于关键决策,尤其是资源分配。在公共测试基准上,我们的方法在事件驱动控制和行为屏蔽的整合下表现出竞争优势的性能。对各种优化解决方案(包括启发式算法、元启发式算法和基于学习的算法)进行的比较分析凸显了我们的方法在大规模实例中的竞争力以及在小至中等规模场景中优于所有竞争对手的优越性。我们的方法不仅具有跨各种实例规模泛化的鲁棒能力,而且利用 Petri 网的图形特性,在推理阶段动态添加作业操作,无需对智能体进行重新训练,从而提高了灵活性。
Jan, 2024