論文の概要: Covariant-Contravariant Refinement Modal $\mu$-calculus
- arxiv url: http://arxiv.org/abs/2208.02989v1
- Date: Fri, 5 Aug 2022 05:24:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-08 12:57:45.223340
- Title: Covariant-Contravariant Refinement Modal $\mu$-calculus
- Title(参考訳): Covariant-Contravariant Refinement Modal $\mu$-calculus
- Authors: Huili Xing
- Abstract要約: 本稿では,CC-refinement modal $mu$-calculus (CCRML$mu$)を紹介する。
CCRML$mu$は、リアクティブおよび生成的アクションを参照するシステムの特性を記述するための仕様言語と見なすことができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The notion of covariant-contravariant refinement (CC-refinement, for short)
is a generalization of the notions of bisimulation, simulation and refinement.
This paper introduces CC-refinement modal $\mu$-calculus (CCRML$^{\mu}$)
obtained from the modal $\mu$-calculus system K$^{\mu}$ by adding CC-refinement
quantifiers, establishes an axiom system for CCRML$^{\mu}$ and explores the
important properties: soundness, completeness and decidability of this axiom
system. The language of CCRML$^{\mu}$ may be considered as a specification
language for describing the properties of a system referring to reactive and
generative actions. It may be used to formalize some interesting problems in
the field of formal methods.
- Abstract(参考訳): covariant-contravariantfine(略してcc-refinement)の概念は、バイシミュレーション、シミュレーション、リファインメントの概念の一般化である。
本稿では, CC-refinement modal $\mu$-calculus (CCRML$^{\mu}$) について, CC-refinement Quantifiers を追加して得られたモダル $\mu$-calculus system K$^{\mu}$ を紹介し, CCRML$^{\mu}$ の公理系を確立し, この公理系の健全性, 完全性, 決定性について検討する。
CCRML$^{\mu}$の言語は、反応的および生成的行動を参照するシステムの特性を記述するための仕様言語とみなすことができる。
形式的手法の分野で興味深い問題を定式化するために用いられる。
関連論文リスト
- Approximation algorithms for noncommutative constraint satisfaction
problems [0.0]
我々は制約満足度問題(CSP)の作用素、あるいは非可換変量について研究する。
非可換なCSPに対する近似アルゴリズムを設計するためのフレームワークを提案する。
この研究は、より広い非可換 CSP のクラスに対する近似比を確立する最初のものである。
論文 参考訳(メタデータ) (2023-12-28T01:22:27Z) - Sample Efficient Reinforcement Learning with Partial Dynamics Knowledge [0.7918886297003017]
オンラインQ-ラーニング手法のサンプル複雑性について,動的知識が利用可能であったり,効率的に学習できたりした場合に検討する。
我々は,$f$の完全知識の下で,$tildemathcalO(textPoly(H)sqrtSAT)$ regretを達成する楽観的なQ-ラーニングアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-12-19T19:53:58Z) - A Robustness Analysis of Blind Source Separation [91.3755431537592]
ブラインドソース分離(BSS)は、変換$f$が可逆であるが未知であるという条件の下で、その混合である$X=f(S)$から観測されていない信号を復元することを目的としている。
このような違反を分析し、その影響を$X$から$S$のブラインドリカバリに与える影響を定量化するための一般的なフレームワークを提案する。
定義された構造的仮定からの偏差に対する一般的なBSS溶出は、明示的な連続性保証という形で、利益的に分析可能であることを示す。
論文 参考訳(メタデータ) (2023-03-17T16:30:51Z) - Correspondence between open bosonic systems and stochastic differential
equations [77.34726150561087]
ボゾン系が環境との相互作用を含むように一般化されたとき、有限$n$で正確な対応も可能であることを示す。
離散非線形シュル「オーディンガー方程式」の形をした特定の系をより詳細に分析する。
論文 参考訳(メタデータ) (2023-02-03T19:17:37Z) - Evaluated CMI Bounds for Meta Learning: Tightness and Expressiveness [14.147617330278662]
評価CMI(e-CMI)を用いたメタ学習のための新しい一般化境界を提案する。
e-CMI フレームワークは、$sqrt の数学カル C(mathcal H)/(nhat n) + 数学カル C(mathcal F)/n $, ここで $mathcal C(cdot)$ は仮説クラスの複雑性測度を表す。
論文 参考訳(メタデータ) (2022-10-12T18:10:59Z) - Approximate traces on groups and the quantum complexity class
$\operatorname{MIP}^{co,s}$ [0.0]
量子交換相関に近似をエンコードするqc-モジュラーの概念を導入する。
計算可能なqc-モジュラーの存在は、上記の質問の自然な変形に対して負の答えを与えることを示す。
論文 参考訳(メタデータ) (2022-09-16T15:45:49Z) - The Berezin-Simon quantization for K\"ahler manifolds and their path
integral representations [0.2741266294612775]
論文の目的は、量子化のBS演算子形式に対応する厳密な実時間(虚時間ではない)パス積分形式を提示することである。
論文 参考訳(メタデータ) (2022-08-26T05:53:19Z) - Threshold size for the emergence of a classical-like behaviour [68.8204255655161]
システムを古典的な記述に適応できる最小サイズを推定する手法を設計する。
磁気システムの特定のケースについて検討し、ゲダンケン実験の詳細を提示し、徹底的にコメントする。
論文 参考訳(メタデータ) (2022-03-25T11:31:14Z) - Efficient simulation of Gottesman-Kitaev-Preskill states with Gaussian
circuits [68.8204255655161]
ゴッテマン・キタエフ・プレスキル状態(GKP)の古典的シミュラビリティを,任意の変位,大規模なシンプレクティック操作,ホモダイン測定と組み合わせて検討した。
これらのタイプの回路では、準確率分布の非負性性に基づく連続変数の定理も離散変数の定理も、シミュラビリティの評価には使用できない。
論文 参考訳(メタデータ) (2022-03-21T17:57:02Z) - Bilinear Classes: A Structural Framework for Provable Generalization in
RL [119.42509700822484]
Bilinear Classesは強化学習の一般化を可能にする新しい構造フレームワークである。
このフレームワークは、サンプルの複雑さが達成可能な、ほとんどすべての既存のモデルを取り込んでいる。
我々の主な成果は、双線形クラスのためのサンプル複雑性を持つRLアルゴリズムである。
論文 参考訳(メタデータ) (2021-03-19T16:34:20Z) - On Function Approximation in Reinforcement Learning: Optimism in the
Face of Large State Spaces [208.67848059021915]
強化学習のコアにおける探索・探索トレードオフについて検討する。
特に、関数クラス $mathcalF$ の複雑さが関数の複雑さを特徴づけていることを証明する。
私たちの後悔の限界はエピソードの数とは無関係です。
論文 参考訳(メタデータ) (2020-11-09T18:32:22Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。