Relatively Complete Verification of Probabilistic Programs
我们研究的语法指定定量的“断言”-函数映射程序状态的数字-概率程序验证。我们证明，我们的语法是表达在以下意义上：给定任何概率程序$C$，如果一个函数$f$是表达在我们的语法，然后映射每个初始状态$σ$的期望值$f$评估在$σ$（也称为最弱的预期$\textit{wp} [C](f)$）终止后达到的最终状态也是表达在我们的语法。因此，我们得到了一个相对完整的验证系统的预期值和概率的意义上的推理库克：除了证明一个单一的两个功能之间的不平等的语法表达式在我们的语言，给定$f$，$g$，$C$，我们可以检查是否$g \preceq \textit{wp} [C] (f)$。
2022-01-28 cs.LO cs.PL
Aiming Low Is Harder -- Induction for Lower Bounds in Probabilistic Program Verification
我们提出了一个新的归纳规则，用于验证概率循环执行后的随机变量的期望值的下界以及它们的预期运行时间。我们的规则是简单的，因为循环体语义只需要经常应用，以验证候选确实是下界。特别是，它不需要像许多以前的规则那样找到序列的极限。
2021-08-11 cs.LO cs.PL
Scalable Verification of Markov Decision Processes
Inria Rennes – Bretagne Atlantique（法国国家信息与自动化研究所雷恩－布列塔尼大西洋中心）
马尔可夫决策过程（MDP）是有用的模型并发过程优化问题，但验证它们的数值方法往往是棘手的。现有的近似方法不能很好地扩展，并且仅限于无记忆存储器。在这里，我们提出了MDPS的可扩展性验证的基础上，使用一个O（1）的历史相关的存储器表示。因此，我们促进可扩展的学习技术和大规模并行验证的使用。
2014-09-17 cs.DC cs.DS cs.LG
Verifying Reachability Properties in Markov Chains via Incremental Induction
在概率验证和非概率验证之间存在可扩展性差距。概率模型检验工具基于显式引擎或（多端）二元决策图。这些结构在非概率验证领域得到了更可扩展的技术（如IC3）的补充。我们提出了一个符号概率模型检验算法的基础上IC3类增量建设的归纳条款划分的状态空间，交错与增量建设的线性不等式系统。本文比较了我们的实现标准的定量验证的替代方案：我们的实验表明，我们的算法是一个步骤，以更可扩展的符号验证有限状态马尔可夫链中的罕见事件。
2019-09-19 cs.LO
Toward Scalable Verification for Safety-Critical Deep Networks
Intel Labs（英特尔实验室）；Stanford University（斯坦福大学）
深度神经网络越来越多地用于安全关键应用，如自动驾驶和飞行控制，引起了人们对其安全性和可靠性的担忧。形式化验证可以通过保证深度学习系统按预期运行来解决这些问题，但目前的技术水平仅限于小型系统。在这份工作进展报告中，我们概述了我们在减轻这一困难方面的工作，通过追求两个互补的方向：设计可扩展的验证技术，并确定设计选择，从而使深度学习系统更易于验证。
2018-02-02 cs.AI cs.LO
Foundations for Deductive Verification of Continuous Probabilistic Programs: From Lebesgue to Riemann and Back
本文为含循环、连续分布和条件化的概率程序验证奠定基础，通过黎曼和近似积分实现SMT不变量验证，并证明收敛性与完备性，且可在现有工具中应用。
2025-02-26 cs.LO cs.PL
Pareto Curves for Probabilistic Model Checking
多目标概率模型检验提供了一种方法来验证随机系统的几个可能相互冲突的定量属性。它在控制器综合和组合概率验证中有很好的应用。然而，现有的方法是基于线性规划，这限制了可以分析的系统的规模，并使得验证的时间有界的属性非常困难。我们提出了一种新的方法，解决这两个缺点，基于生成的连续近似的帕累托曲线的多目标模型检验问题。我们说明了一个大的基准集上的效率显着提高，并显示如何可视化帕累托曲线的能力显着提高了从当前的概率验证工具获得的结果的质量。
2012-06-24 cs.LO
Automated Verification of Higher-Order Probabilistic Programs via a Dependent Refinement Type System
本文提出面向广义 HFL 的依赖精化类型系统，并借助 CPS 编码与扩展 CHC 求解，以少量修改复用现有技术来验证高阶概率程序的多种定量性质。
2024-07-03 cs.LO
Towards a correct and efficient implementation of simulation and verification tools for probabilistic ntcc
我们扩展了我们的模拟工具Ntccrt概率ntcc（pntcc）模型。此外，我们还开发了一个pntcc模型的验证工具。使用这个工具，我们可以证明系统在t个离散时间单位下以概率p进入成功状态等属性。目前，我们正面临着一些问题。我们只能使用有限域约束系统来验证pntcc模型，并且细胞（可以更新其值的数学实体）的编码是实验性的。此外，为了减少验证过程中产生的状态，我们需要实现一个过程来计算两个过程是否等价。在未来，我们希望为工具提供多个接口（例如，网络应用、图形界面和命令行界面）。我们还希望支持树、图和集合上的约束系统。我们希望展示我们的工具在我们的工具中对生物和多媒体交互系统进行建模的相关性，验证它们的一些属性，并在我们的实时解释器中模拟这些系统。
2018-10-05 cs.LO
Rational Verification for Probabilistic Systems
Monash University（莫纳什大学）；University of Oxford（牛津大学）；University of Kaiserslautern（凯泽斯劳滕大学）
理性验证是确定在多智能体系统中，在系统中的智能体理性行动的假设下，通过选择共同形成博弈论均衡的策略，将持有哪些时间逻辑属性的问题。以前在这方面的工作主要集中在确定性系统。在本文中，我们发展的理论和算法的合理性验证概率系统。我们专注于并发随机游戏（CSG），它可以用来模拟复杂的多智能体环境中的不确定性和随机性。在定性概率环境下，研究了非合作博弈和合作博弈的理性验证问题。在前一种情况下，我们认为LTL性质满足的纳什均衡的游戏，在后一种情况下，LTL性质满足的核心。在这两种情况下，我们表明，问题是2 EXPTIME-完全的，因此不困难比简单得多的验证问题的模型检验LTL性能的系统建模为马尔可夫决策过程（MDPs）。
2021-07-26 cs.AI cs.GT cs.LO
Statistical Verification of Hyperproperties for Cyber-Physical System
信息物理系统（CPS）的许多重要属性都是基于连续时间内多个执行之间的关系来定义的。示例包括概率公平性和对建模误差的敏感性（即，参数变化）。这些要求只能由hyperproperties指定。在这项工作中，我们专注于验证CPS的概率超性质。为了涵盖广泛的建模形式主义，我们首先提出了一个通用的概率不确定系统（PUSs）模型，统一了通常研究的CPS模型，如连续时间马尔可夫链（CTMCs）和概率参数化混合I/O自动机。为了正式指定hyperproperties，我们提出了一个新的时序逻辑，超概率信号时序逻辑（HyperPSTL），作为一个超和概率版本的传统信号时序逻辑（STL）。考虑到现实世界中的系统，可以被捕获为PUSs的复杂性，我们采用了统计模型检验（SMC）的方法来验证。我们开发了一种新的SMC技术的基础上直接计算的显着性水平的统计断言的HyperPSTL规范，它不需要先验知识的无差异保证金。然后，我们介绍了SMC算法的HyperPSTL规范的联合概率分布的多条路径，以及规范与嵌套的概率算子量化不同的路径，这不能处理现有的SMC算法。最后，我们证明了我们的SMC算法的有效性CPS基准与不同程度的复杂性，包括丰田动力总成控制系统。
2019-08-06 cs.LO
SENTIL: A Runtime Verification Tool for Probabilistic Temporal Logic
Baylor University（贝勒大学）
本文提出SENTIL，一种具有统计保证的新型运行时验证工具，用于验证以概率信号时序逻辑（PrSTL）表达的要求，通过统计模型检查、序列概率比率检验和自适应稀有事件估计提供严格的概率保证，并在多个场景中展示了性能提升。
2026-05-20 cs.FL cs.LO
Modular Verification for Almost-Sure Termination of Probabilistic Programs
在这项工作中，我们考虑几乎肯定终止问题的概率程序，询问是否一个给定的概率程序终止概率为1。可伸缩的程序分析方法通常依赖于模块化作为其理论基础。在非概率程序中，Floyd-霍尔逻辑的经典变式规则（V-规则）为模块化分析提供了基础。将该规则扩展到概率程序的几乎确定终止是相当棘手的，并且在[Fioriti and Hermanns 2015]中提出了一个概率变体。虽然所提出的概率变量谨慎地解决了可积性的关键问题，我们表明，所提出的模块化规则仍然是不健全的几乎肯定终止的概率程序。除了建立以前的规则的不健全，我们的贡献如下：首先，我们提出了一个健全的模块规则几乎确定终止的概率程序。我们的方法是基于一个新的概念下降上鞅。其次，对于算法方法，我们考虑下降上鞅是线性的，并表明它们可以在多项式时间合成。最后，我们提出了各种基准测试和几个自然的例子，模拟各种类型的嵌套而循环的概率程序的实验结果，并证明我们的方法是能够有效地证明其几乎肯定的终止属性。
2019-08-12 cs.LO cs.PL
Asymptotic Bounds for Quantitative Verification of Perturbed Probabilistic Systems
大多数现有的概率模型检验案例研究是基于很好理解的理论模型和分布。然而，现实生活中的概率系统通常涉及分布参数，其值是通过经验测量获得的，因此受到小扰动。在本文中，我们考虑这些系统的参数模型（即，参数马尔可夫链）配备了绝对距离的范数。我们的主要贡献是一种方法来计算渐近界的形式的条件数的约束可达概率对扰动的分布参数的系统。通过Zeroconf协议和跳蛙问题的实验证明了该方法的有效性。
2013-08-28 cs.LO cs.SE
Automatic Probabilistic Program Verification through Random Variable Abstraction
最弱预期望演算已被证明是分析概率和不确定性规划定量性质的成熟理论。我们提出了一个自动的方法证明定量线性性质的任何可数状态空间使用迭代向后不动点计算的一般框架中的抽象解释。为了完成这一任务，我们提出了随机变量抽象（RVA）的技术，我们还假设了一个充分条件，实现精确的不动点计算的抽象域。我们的方法的可行性示出了两个例子，一个获得的概率程序的预期运行时间，和其他的赌博策略的预期收益。我们的方法适用于一般的保护概率和不确定性的过渡系统，而不是普通的pGCL程序，使我们能够很容易地模拟广泛的系统，包括分布式的和非结构化的程序。我们提出了该程序的操作和最弱前提语义，并证明了它的等价性。
2010-06-26 cs.LO cs.PL
A Denotational Product Construction for Temporal Verification of Effectful Higher-Order Programs
本文提出一个范畴框架，通过denotational积构造将效应高阶程序的线性时间安全性验证归约为最弱前置条件计算，并实现了首个支持递归概率高阶程序的自动化验证器。
2025-10-17 cs.LO
On Higher-Order Probabilistic Verification via the Weighted Relational Model of Linear Logic
University of Bologna, Italy（博洛尼亚大学）；INRIA Sophia Antipolis, France（法国索菲亚安提佩利斯国家信息与自动化研究所）；Université Claude Bernard Lyon 1, France（法国里昂第一大学）
本文研究了概率高阶递归方案的终止问题，利用线性逻辑的加权关系语义将问题转化为生成函数的计算，证明了在扩展Li等人affine PHORS的类型纪律下，几乎必然终止的可判定性。
2026-04-30 cs.LO
Deterministic stream-sampling for probabilistic programming: semantics and verification
本文提出以采样器为核心的高阶概率编程语言及其连续映射语义，并通过类型系统处理不连续操作，进而给出采样器等价推理与正确性证明的形式化演算。
2023-04-26 cs.LO cs.PL
Interactive verification of Markov chains: Two distributed protocol case studies
像PRISM这样的概率模型检查器只检查固定大小的概率系统。为了保证任意尺寸的所需性能，数学分析是必要的。我们展示了两个案例研究如何可以做到这一点的互动证明助手伊莎贝尔/HOL。第一个案例研究详细描述了我们如何验证ZeroConf协议（一种分散式地址分配协议）的属性。第二个案例研究表明，更涉及验证的匿名属性的人群协议，匿名协议。
2012-12-17 cs.LO
Dynamic Verification of SystemC with Statistical Model Checking
许多嵌入式和实时系统具有固有的概率行为（传感器数据，不可靠的硬件等）。在这种情况下，至关重要的是评估系统属性，如“特定硬件故障的概率”。这样的属性可以通过使用概率模型检验来评估。然而，由于状态空间爆炸，这种技术在代表现实嵌入式和实时系统的模型上失败了。为了克服这个问题，我们提出了一个基于统计模型检验的验证框架。我们的框架是能够评估的概率和时间属性在SystemC，一个标准的系统级建模语言建模的大型系统。它作为Plasma-lab统计模型检查器的扩展完全实现。我们说明了我们的方法上的多升系统的案例研究。
2015-09-21 cs.LO cs.SE
A Scalable and Nearly Uniform Generator of SAT Witnesses
功能验证是现代硬件系统开发中最具挑战性的任务之一，基于仿真的验证技术在功能验证领域占据主导地位。基于仿真的验证中的主导范例是定向随机测试，其中系统的模型用一组随机测试刺激来仿真，所述随机测试刺激均匀或接近均匀地分布在满足给定约束集的所有刺激的空间上。因此，大约束集的均匀或近似均匀生成的解决方案是一个问题的理论和实际利益。对于布尔约束，以前的工作提供了启发式的方法，没有保证的性能，和理论方法与证明的保证，但在实践中的性能差。我们在这里提供了一个新的方法，理论性能保证，并证明其实际效用的大约束集。
2013-04-04 cs.LO
Multi-Agent Verification and Control with Probabilistic Model Checking
University of Oxford（牛津大学）
本文综述了概率模型检验与博弈论结合以验证多智能体交互的进展，并探讨其在人工智能、机器人等领域的应用及未来挑战。
2023-08-05 cs.AI cs.LO
Scalable Automated Verification for Cyber-Physical Systems in Isabelle/HOL
本文提出 IsaVODEs 框架，在 Isabelle/HOL 中形式化信息物理系统验证，并通过 ODE 唯一解认证与不变式推理等机制提升自动化和可扩展性。
2024-01-22 cs.LO cs.MS
Verification and Control of Partially Observable Probabilistic Real-Time Systems
School of Computing Science, University of Glasgow（格拉斯哥大学计算科学学院）；School of Computer Science, University of Birmingham（伯明翰大学计算机学院）；Department of Computer Science, University of York（约克大学计算机科学系）
本文提出自动技术用于验证和控制部分可观测概率实时系统，通过扩展概率时序自动机并引入概率时序逻辑，结合整数离散化和网格抽象方法，实现对不确定信念空间的近似处理，并通过PRISM工具验证了其在计算机安全和任务调度中的有效性。
2015-06-23 cs.LO cs.SY eess.SY
Probabilistic Verification for Modular Network-on-Chip Systems (extended version)
针对片上网络设计中电源噪声引发的可靠性问题，提出基于Modest语言的模块化建模方法，结合Modest Toolset与统计模型检验完成不同规模NoC的功能及PSN相关属性验证。
2025-11-17 cs.LO
Quantitative Verification of Omega-regular Properties in Probabilistic Programming
East China Normal University, China（华东师范大学）；Nanyang Technological University, Singapore（南洋理工大学）
本文提出时间后验推断框架，用于在概率编程中定量验证omega-正则性质，通过分解Rabin条件并构建随机屏障证书，实现对概率行为的高效推断。
2025-12-25 cs.FL cs.LG cs.LO
Tight Verification of Probabilistic Robustness in Bayesian Neural Networks
Imperial College London（伦敦帝国学院）；King’s College London（伦敦国王学院）
本文针对贝叶斯神经网络概率鲁棒性验证难题，提出利用迭代扩展和梯度搜索安全权重的两种算法，可结合任意验证器，并在 MNIST、CIFAR10 上将界限较 SoA 最紧致提升达 40%。
2024-02-28 cs.AI cs.FL cs.LG
From Verification to Causality-based Explications
鉴于现代软件体系结构日益复杂，形式化模型越来越多地用于理解为什么系统以其方式工作，而不是简单地验证它是否按预期运行。本文综述了反应系统的可观测行为的形式化描述方法。我们描述了如何Halpern和珍珠的实际因果关系的概念启发了验证为导向的因果关系的研究在一个系统的演变。第二个重点在于应用沙普利值的责任归属，旨在衡量一个事件的影响，可观察到的效果。最后，正式的方法概率因果关系的收集和连接，并讨论其相关的概率系统的理解。
2021-05-20 cs.LO
Latticed $k$-Induction with an Application to Probabilistic Programs
我们在完整格上的不动点理论的更一般设置中重新审视了两种成熟的验证技术：$k$ -归纳和有界模型检验（BMC）。我们的主要理论贡献是格化的$k$ -归纳法，它（i）推广了经典的$k$ -归纳法，用于验证转移系统;（ii）推广了Park归纳法，用于证明完备格上单调映射的不动点的边界;（iii）将自然数$k$推广到超限序数$κ$，从而得到了$κ$ -归纳法.格理论的理解$k$归纳和BMC使我们能够应用这两种技术的全自动验证的无限状态概率程序。我们的原型实现管理，自动验证非平凡的规范，从文献中的概率程序-使用现有的技术-不能验证，而不合成一个更强的归纳不变的第一。
2021-05-28 cs.LO
ScenicProver: A Framework for Compositional Probabilistic Verification of Learning-Enabled Systems
University of California, Santa Cruz（加州大学圣克鲁兹分校）；University of Michigan（密歇根大学）；University of California, Berkeley（加州大学伯克利分校）
本文提出ScenicProver框架，基于Scenic语言通过组合化分析、假设-保证契约和多源证据系统结合，解决学习使能CPS在复杂环境下的验证难题，并在相同预算下提供比单体测试更强的概率保证。
2026-11-03 cs.AI cs.LG cs.LO
Safety Verification of Stochastic Systems under Signal Temporal Logic Specifications
研究随机系统在信号时序逻辑规范下的验证问题，提出STL侵蚀策略，将概率验证转化为更严格的确定性验证，可与现有算法无缝集成，数值实验验证了其有效性。
2025-02-11 cs.FL cs.LO cs.SY
Propagation of~Interval Belief Structures and~Imprecise Copulas for~Neural Network Verification
LIX, CNRS, École polytechnique, Institut Polytechnique de Paris（LIX、CNRS、巴黎高等学院、巴黎理工研究院）
提出结合区间信念结构与不精确Copula的框架，用于神经网络在输入分布和依赖结构不确定下的定量验证，通过混合不精确Copula体积推导前向传播方法，提供概率安全属性的可靠上下界。
2026-06-29 cs.AI cs.LO math.PR
Symbolic Time and Space Tradeoffs for Probabilistic Verification
我们提出了一个更快的符号算法的概率验证中的中心问题：计算马尔可夫决策过程（MDP）的最大端分量（MEC）分解。这个问题推广了图的SCC分解问题和马氏链的闭递归集问题。符号算法的模型广泛用于形式验证和模型检查，其中对输入模型的访问仅限于符号操作（例如，基本集合运算和一步邻域的计算）。对于具有$n$顶点和$m$边的输入MDP，20世纪90年代用于MEC分解的经典符号算法需要$O(n^2)$符号运算和$O(1)$符号空间。用于MEC分解的唯一其它符号算法需要$O(n \sqrt{m})$符号运算和$O(\sqrt{m})$符号空间。一个主要的未决问题是，符号运算的最坏情况$O(n^2)$是否可以被击败。我们提出了一个符号算法，需要$\widetilde{O}(n^{1.5})$符号操作和$\widetilde{O}(\sqrt{n})$符号空间。此外，我们的算法的参数化提供了符号操作和符号空间之间的权衡：对于所有的$0<ε\leq 1/2$的符号算法需要$\widetilde{O}(n^{2-ε})$符号操作和$\widetilde{O}(n^ε)$符号空间（$\widetilde{O}$隐藏多对数因子）。使用我们的技术，我们提出了更快的算法，用于计算$ω$的几乎肯定获胜的地区-MDPs的常规目标。我们认为$ω$ -定期目标的规范奇偶校验目标，并与$d$ -优先级的奇偶校验目标，我们提出…
2021-04-15 cs.GT cs.LO
Monotonic Safety for Scalable and Data-Efficient Probabilistic Safety Analysis
具有基于机器学习的感知的自治系统可能会表现出难以量化的不可预测行为，更不用说验证了。这种行为很容易在概率模型中捕获，但是这种模型的概率模型检验很难扩展--主要是由于作为可证明的保守性的先决条件而添加到模型中的非确定性。统计模型检验（SMC）已被提出来解决的可扩展性问题。然而，它需要大量的数据来解释上述的非确定性，这反过来又限制了它的可扩展性。这项工作介绍了一种通用的技术，减少非确定性的基础上的假设“单调安全”，它定义了一个偏序系统状态之间的概率是安全的。我们利用这些假设，以消除控制器/植物模型的非确定性，大大加快概率模型检验和统计模型检验，同时提供可证明的保守估计，只要安全性确实是单调的。我们的实验表明，模型检查速度的一个数量级，同时保持可接受的精度和运行SMC时，需要更少的数据进行准确的估计-即使单调的安全性不完全成立，可证明的保守性没有实现。
2022-03-16 cs.FL cs.LO
Probabilistic verification of partially observable dynamical systems
Harvard Medical School（哈佛医学院）；National University of Singapore（新加坡国立大学）；INRIA Rennes（法国国家信息与自动化研究所雷恩中心）
本文提出基于马尔可夫链蒙特卡洛的统计模型检验框架，用于在参数后验分布下验证非线性动态系统的有限时序逻辑属性，应用于系统生物学中的JAK-STAT信号通路模型验证。
2015-04-17 cs.LO cs.SY eess.SY
Verification of Quantum Programs
本文发展了量子程序的验证方法学，其贡献有两个方面：1。Sharir，Pnueli and Hart [SIAM J. Comput. 13（1984）292 - 314]提出了一种证明概率程序性质的一般方法，该方法用马尔可夫链对概率程序进行建模，并将关于输出分布的断言扩展为关于所有中间分布的不变断言。他们的方法本质上是经典弗洛伊德归纳断言方法的概率推广。在本文中，我们考虑的量子程序模型的量子马尔可夫链的超算子定义。它表明，Sharir-Pnueli-Hart方法可以优雅地推广到量子程序，利用薛定谔-海森堡对偶量子态和可观测量。特别地，建立了量子程序的Sharir-Pnueli-Hart验证方法的完备性定理。2.正如完备性定理所指出的，Sharir-Pnueli-Hart方法原则上对于验证量子程序的所有性质都是有效的，这些性质可以用厄米算符（可观测量）来表示。但由于验证过程中涉及的计算复杂，在许多实际应用中并不可行。对于有限维状态空间的情形，我们利用超算子的矩阵表示和矩阵的Jordan分解，找到了一种比Sharir-Pnueli-Hart方法简单得多的量子程序验证方法.特别是，这种方法使我们能够很容易地计算平均运行时间，甚至可以分析量子程序在有限维状态空间中的一些有趣的长期行为。
2011-06-21 cs.LO quant-ph
Model-Checking PCTL Properties of Stateless Probabilistic Pushdown Systems
本文解决了无限状态系统概率验证的长期开放问题，证明了针对无状态概率下推系统（pBPA）的概率计算树逻辑（PCTL）模型检测一般是不可判定的。
2025-06-30 cs.FL cs.LO math.LO
An Ontology-Based, Fully Probabilistic, Scalable Method for Human Activity Recognition
效率和可扩展性是人类活动识别研究界尚未做出可行回应的障碍。本文提出了一种活动识别方法。知识模型采用本体论的形式，本体论是知识表示和推理的最新发展。本体以关于主体的低级活动和位置的概率信息开始，然后用从数据中学习或由用户定义的断言公理填充。与仅从传感器读数中选择最可能的候选者的方法不同，所提出的方法保持多个候选者，每个候选者具有已知的置信度，并将其参与决策。该方法使系统能够更灵活地处理传感器的不可靠读数，提高了最终的识别率。此外，为了解决系统的可扩展性问题，设计并实现了一个系统，用于在关系数据库管理系统中进行推理和存储。数值评估和概念基准测试证明了所提出的系统的可行性。
2021-09-07 cs.DB cs.HC cs.LO
Probabilistic Bisimulation for Parameterized Systems (Technical Report)
概率互模拟是概率系统过程等价的一个基本概念。其中，它有重要的应用，包括形式化的匿名性的几个通信协议。在有限系统的概率互模拟验证方面有大量的工作。然而，对于参数化系统，情况并非如此，其中问题通常是不可判定的。在本文中，我们提供了一个通用的框架推理概率互模拟参数化系统。我们的方法是在软件验证的精神，其中我们编码的概率互模拟的证明规则，并使用可判定的一阶理论来指定系统和候选互模拟关系，然后可以自动检查对证明规则。作为一个案例研究，我们表明，我们的框架是足够的表达证明匿名性的参数化用餐密码协议和参数化等级协议，当提供一个候选人经常互模拟关系。这两个协议迄今无法验证现有的自动方法。此外，在标准自动机学习算法的帮助下，我们证明了候选关系可以完全自动地合成，使得验证完全自动化。
2020-11-04 cs.LO cs.SE
NeuroDiff: Scalable Differential Verification of Neural Networks using Fine-Grained Approximation
University of Southern California（南加州大学）
随着神经网络进入安全关键系统，在这些系统中，不当行为可能导致灾难，证明两个结构相似的神经网络的等价性的兴趣越来越大。例如，压缩技术通常在实践中用于在计算和能量受限的设备上部署经训练的神经网络，这提出了压缩网络如何忠实地模仿原始网络的问题。不幸的是，现有的方法要么专注于验证单个网络，要么依赖于松散的近似来证明两个网络的等价性。由于过于保守的近似，差分验证在精度和计算成本方面缺乏可扩展性。为了克服这些问题，我们提出了NeuroDiff，这是一种符号化和细粒度的近似技术，可以大大提高差分验证的准确性，同时实现许多数量级的加速。NeuroDiff有两个关键贡献。第一个是新的凸近似，它可以更精确地约束两个网络在所有可能输入下的差异神经元。第二个是明智地使用符号变量来表示神经元的差异界积累了显着的错误。我们还发现这两种技术是互补的，即，合并后的福利大于其个人福利的总和。我们已经在各种差分验证任务上评估了NeuroDiff。我们的研究结果表明，NeuroDiff比最先进的工具快1000倍，准确度高5倍。
2020-09-21 cs.LG cs.LO cs.SE
A New Syntax and Semantics for Probabilistic Trace Expressions
University of Genoa（热那亚大学）；University of Modena and Reggio Emilia（摩德纳和雷焦艾米利亚大学）
本文针对部分可观测运行时验证问题，提出概率迹表达式（PTEs）的新语法与语义，改进原PTE的概率关联方式，支持间隙推理与信念监测，涵盖隐马尔可夫模型，通过火星车场景验证其应用。
2026-08-19 cs.FL cs.LO
Fair Termination for Parameterized Probabilistic Concurrent Systems (Technical Report)
我们考虑的问题，自动验证一个参数化的概率并发系统的家庭终止的概率为1的所有实例对抗对抗的竞争对手。一个参数化的族定义了一个无限状态系统：对于每个数n，这个族由一个实例和n个有限状态进程组成。与安全性相比，活性的参数化验证目前仍然被认为是极具挑战性的，特别是在模型中存在概率的情况下。一个主要的挑战是提供一个足够强大的象征性框架。一个著名的符号框架的参数化验证的非概率并发系统是定期模型检验。虽然该框架最近扩展到概率系统，将公平性的框架-通常是至关重要的验证终止-一直特别困难，由于存在无限数量的公平性约束（每个过程一个）。我们的主要贡献是一个系统的，正则保持，编码有限的公平性（一个现实的公平性的概念，提出了由Henzinger）定期模型检验的概率参数化系统的框架。我们的编码减少了终止有限的公平性，以验证参数化的终止没有公平性的概率系统在定期模型检验（验证框架已经存在）。我们表明，我们的算法可以验证终止许多有趣的例子，从分布式算法（赫尔曼的协议）和进化生物学（莫兰过程，细胞周期开关），这并不符合标准的公平概念。据我们所知，我们的算法是第一个全自动的方法，可以证明这些例子的终止。
2017-10-30 cs.DC cs.FL cs.LO
A-NeSI: A Scalable Approximate Method for Probabilistic Neurosymbolic Inference
University of Edinburgh（爱丁堡大学）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；University of Amsterdam（阿姆斯特丹大学）；Eindhoven University of Technology（埃因霍温理工大学）
本文提出A-NeSI框架，用神经网络实现概率神经符号推理的多项式时间近似推理，在保证可解释性和逻辑约束满足的同时，首次端到端解决了三个指数组合扩展的神经符号任务且无性能损失。
2023-09-22 cs.AI cs.LG cs.LO
