Une nouvelle perspective sur l’apprentissage des réseaux de Petri

Le problème de l’explosion de l’espace d’état signifie que l’espace d’état des réseaux de Petri (PN) croît de façon exponentielle avec la taille des PN. Même le problème fondamental d’accessibilité reste un problème NP-Hard en général. Il a été prouvé que le problème d’équivalence pour l’ensemble d’accessibilité de PN arbitraires est indécidable sauf pour certaines sous-classes de PN. Autrement dit, le problème d’accessibilité des PN arbitraires ne peut pas être résolu avec précision. Il n’existe aujourd’hui aucun algorithme efficace et précis pour résoudre le problème.

Une équipe de recherche dirigée par Changjun Jiang a publié sa nouvelle recherche dans une perspective basée sur les données le 6 novembre dans Frontières de l’informatique.

Inspirée par l’apprentissage automatique, l’équipe a proposé une méthode basée sur les données, à savoir le Net Learning. Les PN (entrées) et les tâches correspondantes (sorties réelles) sont impliquées en tant que données de formation. Pendant la phase de formation, le procédé code les données pour obtenir des informations cachées par des réseaux neuronaux profonds et établit en outre la fonction de cartographie (c’est-à-dire le modèle) pour les tâches correspondantes.

La méthode mettra à jour les paramètres des réseaux neuronaux profonds par rétropropagation et ajustera le modèle afin que l’écart entre la sortie prévue et la sortie réelle soit aussi réduit que possible. Pendant la phase de prédiction, le modèle entraîné est utilisé pour prédire des données inconnues.

Compte tenu de la topologie statique des PN et de leur mécanisme de fonctionnement dynamique unique, des algorithmes d’apprentissage appropriés doivent être conçus pour prendre en charge l’analyse quantitative des PN. Contrairement aux méthodes d’analyse PN traditionnelles, la méthode obtient une solution probabiliste approximative évitant le problème d’explosion de l’espace d’états, qui constitue une nouvelle perspective qui utilise la relation de corrélation dans le domaine de l’apprentissage automatique comme alternative approximative à la causalité dans le domaine des PN.

Net Learning a insufflé une nouvelle vitalité dans le domaine des PN. Dans de nombreux scénarios réels, certaines propriétés sont difficiles à raisonner et à prouver strictement. Poussé par les données liées aux PN, Net Learning fournit une perspective d’apprentissage automatique pour résoudre le problème, ce qui favorise le développement du domaine des PN.

Fourni par Frontiers Journals