Petri 网中的双可达性
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
我们研究了求解迷宫类问题的 CP 和 SAT 方法,提出了一种新的可达性编码,并通过实验证明这种新编码在以 SAT 为范式的规划问题中,尤其是考虑到同时执行多个动作时是非常适用的。
Oct, 2023
本文研究针对前馈深度神经网络的通用可达性问题,通过计算输出函数值的下限和上限,得到区间范围内的可达值,从而得出安全性验证问题、输出范围分析问题和鲁棒性度量,并通过自适应嵌套优化的新算法,有效地解决了可达性问题。
May, 2018
使用强化学习方法,我们通过特征化随机定向图中的可达性概率,展示了随机定向图中的转移概率动态可以被建模成一个差分包含,进而被理解为一个 Markov 决策过程。通过这个框架,我们提出了一种确定奖励功能的方法,以提供随机定向图中一组节点的可达性概率上下限。该方法的有效性通过应用于由移动代理的接近模式生成的时间变化的接触网络的流行病疾病扩散得到证明。
Feb, 2022
本文提出了一种针对 DRL 系统的紧密可扩展的可达性分析方法,使用抽象状态处理内嵌的神经网络以避免神经网络的过估计,并设计了一种名为 BBReach 的工具来评估其紧密性、可扩展性和效率。
Nov, 2022
本研究提供了一个建立在基础和操作框架之上的 DPN 合法性评估方法,其具备算术数据条件,评估方法采用了 SMT 技术在文献和合成集合范例中得到了验证。
Mar, 2022
使用符合推断进行基于数据驱动的离散时间随机动态系统的可达性分析,将数据集转化为代理预测模型,通过符合推断量化预测模型的误差,从而提供概率可达性保证。该方法适用于复杂闭环动态难以使用符号模型建模的学习增强控制系统。
Sep, 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
研究通过物品交换娱乐的市场,给定其社交网络结构及代理人的物品偏好列表,探讨给定的起始状态是否能够达到给定目标状态的问题,分别在路径、团和广义毛毡上回答了该问题的时间复杂度,并得出在有限偏好列表长度的情况下,该问题具有三对四的分解型结果。
May, 2019
研究使用 ReLU 函数实现激活函数的前馈神经网络系统的可达性问题,并通过线性问题对其进行表征,并提出了一种基于最先进的线性规划求解器解决实际问题的方法。通过分析文献中的多个基准测试来评估所提出技术的性能。
Jun, 2017