Command-based importance sampling for statistical model checking

رویکرد ما با استفاده از یک الگوریتم بهینه سازی انتگرال متقاطع قابل کشف برای پیدا کردن یک توزیع نمونه گیری مطلوب پارامتری شده است. در مقایسه با کار قبلی، الگوریتم ما از یک بردار کوچک بعدی به طور طبیعی تعریف شده برای تعیین توزیع استفاده می کند، از این رو اجتناب از نمایش صریح ماتریس انتقال. پارامترهای ما منجر به یک بهینه منحصر به فرد می شود و نشان داده شده است که بسیاری از سفارشات بهبود بهره وری در مدل های مختلف را تولید می کند. در این مقاله، وجود توزیع نمونه گیری اهمیت بهینه را به خواص منطقی پیوند می دهیم و نشان می دهیم که پارامترهای ما بر این پیوند تاثیر می گذارد. ما همچنین الگوریتم های ساده ای را ایجاد و ارائه می کنیم تا توزیع اولیه لازم برای به حداقل رساندن آنتروپی متقابل ایجاد شود. در نهایت، ما درباره چالش باز تعریف خطاهای خطا با نمونه گیری اهمیت بحث می کنیم و توصیف می کنیم که چگونه توزیع های پارامترهای مطلوب ما ممکن است برای تعیین اعتماد کیفی استفاده شود.