工作流活动多实例的调度控制

支持多实例的工作流管理系统为工作流过程处理带来极大的灵活性,活动多实例要解决的主要问题之一是多实例的调度控制.在分析了多实例的分配和汇聚等问题之后,针对过程中活动间不同活动语义的上下文,对活动多实例的活动属性进行了统一的形式描述,提出了活动多实例控制体Shell,用于控制活动多实例的分配和提交.Shell可以根据不同的活动语义,处理多实例的同步并控制整个过程的运行.Shell的提出解决了工作流执行中一个活动多个执行实例的同步执行问题.     

基于分组技术的工作流活动多实例的调度研究

在分析静态和动态活动多实例模型的基础上,提出了一种机制——实例池和多实例分组技术,并且提出相应的算法,解决了静态和动态多实例的调度问题。该机制可以处理静态和动态多实例的生成、初始化、运行和调度以及销毁。     

基于分组-分类的工作流活动多实例调度

引入活动多实例使得工作流的处理更加灵活,但引发了同步调度和数据共享冲突等问题。该文给出工作流活动多实例的灵活定义和分类,提出基于“分组-分类”的工作流活动多实例调度机制,将活动多实例分组启动、在同组中分类同步,以解决工作流执行中活动多实例的同步调度问题。该机制无须扩展标准工作流模型,具备一定的工作流语言表达能力。     

活动多实例工作流中数据流的建模与调度

根据数据流模型的特点定义了数据流元模型,创建了能够准确描述活动问细粒度接口数据交互的数据流二步建模法,并为其提供了一种图形表示;扩展传统工作流引擎,提出了活动多实例工作流中数据流的调度策略,以及根据数据一致性验证准则实现了数据准备、数据提交等关键调度算法,进而提出的虚拟活动实例概念解决了活动实例数据多版本的管理问题．最后通过应用实例对文中的理论进行了验证．     

一种多实例工作流模式的解决方案

多实例MI是一种重要的工作流模式,由于它引入了许多与工作流语言的语义和系统实现相关的问题,在许多情况下难以被直接有效地实现。本文在对MI的类型和实现技术进行分析的基础上,提出了一种基于“活动数组”的方案。它不仅能明显简化MI的建模,提高模型语义的精确性,并且具有较强的表达能力,实现较简洁。     

支持多实例模式的动态工作流研究

为了解决多实例模式给工作流的建模和实现带来的动态语义和数据共享冲突问题,在对多实例模式进行深入分析的基础上,讨论了一种具有动态性的建模方法。这种基于XPDL的过程定义方案支持各种多实例活动并且具有较强的动态性,能与不同的实现引擎兼容。同时,提出了一种活动多实例动态组装的活动执行部件设计方案,其中活动实例管理器的设计解决了动态执行多实例活动和数据共享问题。该方案在工作流引擎Shark中得到实现,改进后的Shark表明这种建模方法和引擎设计思想较好地解决了多实例的建模和实现问题,也提高了流程的动态性。     

基于网络划分的多实例工作流模式解决方案

为了解决工作流多实例模式的问题,从网络划分的角度提出了一种解决方案,并以RTWD网工作流模型为基础,讨论了相关实现方法。该方法首先将包含多实例的工作流部分划分成一个子网,然后基于子网进行多实例的参数定义和运行控制。由于该划分方法与原工作流模型保持一致,可用原工作流引擎进行调度,从而大大简化了多实例工作流模式的实现。论文还基于该方法简单讨论了串行、同步并行、异步并行等多实例模式,验证了该方法的有效性。     

工作流实例研究

工作流模型的复杂程度众所周知,为他设计的算法也种类繁多,但是哪种方法才是最适合客户的,用实例来说明最有力。     

多实例工作流模式的π演算形式化

多实例工作流模式是一类重要的工作流模式。π演算是一种移动进程代数,可用于对并发和动态变化的系统进行建模。对π演算进行了研究，提出了以π演算作为工作流形式化的基础，利用π演算对多实例工作流模式进行了详细的描述。     

基于π演算的多实例工作流模式的建模方法

π演算是一种移动进程代数,可用于对并发和动态变化的系统进行建模.根据π演算的语法,利用π演算对多实例工作流模式进行了建模.提出的方法具有较强的语义表达能力,同时使过程模型的语义更加精确.     

基于活动网络图的工作流过程定义工具的研究

该文基于工作流管理联盟(WFMC)制定的工作流过程定义元数据模型,提出了一个独立通用的基于活动网络图的工作流过程定义工具,它遵从WFMC制定的XPDL规范,可以输出一个标准通用的过程定义并能被不同的工作流运行系统解释执行,从而实现完全的过程定义的分离存储。     

Multi-Instance Learning Based Web Mining

In multi-instance learning, the training set comprises labeled bags that are composed of unlabeled instances, and the task is to predict the labels of unseen bags. In this paper, a web mining problem, i.e. web index recommendation, is investigated from a multi-instance view. In detail, each web index page is regarded as a bag, while each of its linked pages is regarded as an instance. A user favoring an index page means that he or she is interested in at least one page linked by the index. Based on the browsing history of the user, recommendation could be provided for unseen index pages. An algorithm named Fretcit-kNN, which employs the Minimal Hausdorff distance between frequent term sets and utilizes both the references and citers of an unseen bag in determining its label, is proposed to solve the problem. Experiments show that in average the recommendation accuracy of Fretcit-kNN is 81.0% with 71.7% recall and 70.9% precision, which is significantly better than the best algorithm that does not consider the specific characteristics of multi-instance learning, whose performance is 76.3% accuracy with 63.4% recall and 66.1% precision.     

一种扩展的工作流活动结构模型研究

工作流活动复杂性的增加,使活动之间的相互协作面临新的挑战.同时,工作流建模所涉及的数据类型的复杂性也因此而提高.该文基于TAM[1]和EA[3]模型提出了一种新的扩展的活动组成模型EA,EAM模型对活动的描述更加详细,捕捉活动之间的重要依赖更加容易,从而更有利于优化活动结构.在该文后半部分,给出了一个使用EAM模型进行活动描述和活动结构重组的例子.     

一种扩展的工作流活动结构模型研究

工作流活动复杂性的增加,使活动之间的相互协作面临新的挑战.同时,工作流建模所涉及的数据类型的复杂性也因此而提高.该文基于TAM[1]和EA[3]模型提出了一种新的扩展的活动组成模型EA,EAM模型对活动的描述更加详细,捕捉活动之间的重要依赖更加容易,从而更有利于优化活动结构.在该文后半部分,给出了一个使用EAM模型进行活动描述和活动结构重组的例子.     

Multi-Instance Learning from Supervised View

In multi-instance learning, the training set comprises labeled bags that are composed of unlabeled instances, and the task is to predict the labels of unseen bags. This paper studies multi-instance learning from the view of supervised learning. First, by analyzing some representative learning algorithms, this paper shows that multi-instance learners can be derived from supervised learners by shifting their focuses from the discrimination on the instances to the discrimination on the bags. Second, considering that ensemble learning paradigms can effectively enhance supervised learners, this paper proposes to build multi-instance ensembles to solve multi-instance problems. Experiments on a real-world benchmark test show that ensemble learning paradigms can significantly enhance multi-instance learners.     

面向增量分类的多示例学习

近年来多示例学习(multi-instance learning, MIL)被广泛应用于复杂数据问题中,但现有的多示例学习算法往往在封闭静态环境中工作良好,其所处理的类别数量也恒定不变.然而在现实应用当中,常会有新的类别不断地加入到系统当中,例如科学的发展中不断出现新的议题、社交媒体中不断出现新的话题.由于存储限制或保密协议等原因,旧数据可能随着时间的发展变得不可见,这使得直接学习新的类别时模型会忘记曾经学过的知识.增量学习则被用于解决上述问题.因此,在多示例学习设定下进行增量数据挖掘十分有意义,然而目前针对多示例学习下的增量数据挖掘的工作十分稀少.提出一个基于注意力机制和原型分类器映射的多示例增量数据挖掘方法,通过注意力机制选择性地将多示例包的示例汇合为统一的特征表示,然后为每个类别生成类别原型表示并存储下来.类别原型通过原型分类器映射模块得到无偏鲁棒的类别分类器,并通过上一个增量阶段生成的分类器的预测结果对新增量阶段生成的分类器的预测结果进行知识蒸馏,使得模型能够在多示例学习下以极低的存储很好地保留模型的旧知识.实验结果表明：提出的方法能够有效地进行面向增量分类的多示例学习.     

UML活动图支持的工作流建模分析

首先分析了工作流管理系统的特性，给出了一种工作流执行系统的体系结构。在此基础上，形式化定义了为工作流过程建模的UML活动图结构以及建模规则；通过一个具体的实例描述了建模过程并对模型的执行做了分析。