將 Event Calculus 與 LARS 映射到 Temporal Datalog，並以 Streaming Trigger Graphs 實現增量物化

在許多應用場景中，系統必須在高頻率的符號事件串流中即時偵測出複合情境，例如安全或透明性相關的異常。此類複合事件辨識（Composite Event Recognition, CER）通常由兩個元件組成：用來描述模式的事件規格語言（ESL），以及針對該語言最小延遲地做推理的流推理器。不同 ESL 在表達力與可推理性之間有取捨，而語言彼此分離也使得比較與互換推理器變得困難。針對這些挑戰，本文採取將實務中常見的 ESL 片段，映射到一個統一的邏輯形式，再在該形式上設計高效的串流物化演算法。

將 ESL 映射到 Temporal Datalog 的動機與方法

作者選取兩個具代表性的邏輯式 ESL 片段：一基於 Event Calculus，另一為 LARS 的實務片段，並將它們編譯到一種 Temporal Datalog 的變體，此變體支援分層否定且不允許未來相依。選擇 Temporal Datalog 的理由在於其與流推理相關文獻關係密切，且能以邏輯程式的方式表述時間與窗口操作。映射的重點是保持查詢回答的等價性，也就是在此轉換後，對於原始事件規格所提出的查詢，兩邊應該返回相同的結果集合。透過這種方法，原先分散的語言生態可被統一到同一個可形式化分析的框架中，便於比較語言間的表達力與推理器適用範圍。

Streaming Trigger Graphs：在 Temporal Datalog 上的增量物化

為了支援在無界事件串流上低延遲的推理，論文提出 Streaming Trigger Graphs（STG），這是一種擴充的 Datalog 物化技巧。STG 利用所謂的增量分層（incremental stratification）來對程式進行分層化，允許在資料到達時只針對 delta 變化更新模型。此機制能避免每次事件到來都重新計算整個推理結果，並提供多項優化以減少重複計算；例如只沿受影響的觸發路徑推送變更，並在分層順序中應用封閉世界假設以穩定否定條件的求值。作者在論述中證明了 STG 在語意上與其對應的 Temporal Datalog 程式相容，並討論可用於提升效能的實作策略。

表達力、可比較性與實務影響

通過將 Event Calculus 與 LARS 片段映射到同一個 Temporal Datalog 變體，研究提供了一條將不同 ESL 統一分析與比較的路徑。這種統一化有助於選擇最合適的推理器，避免被單一語言或其工具鎖定。此外，STG 的增量物化策略讓理論上的語言映射能夠在串流情境下實際應用，減少不必要的運算並支援低延遲回應。整體上，這套方法對於那些需要在高速資料流上即時偵測複合情境的系統，提供了更可比較且可優化的解決方向。

結語與後續方向

研究提出的兩項核心貢獻——從實務 ESL 到 Temporal Datalog 的等價映射，與適用於該類程式的 STG 物化演算法——共同促成了一個更統一的複合事件辨識框架。未來工作可延伸在更廣的 ESL 片段、分散式處理或更多實作優化上進行驗證，以觀察在不同實務場景中效能與擴展性的表現。對於關注表達力與推理效率平衡的研究與工程團隊，這項工作提供了具體而形式化的參考路徑。

延伸閱讀

• FastOMOP：以治理與可觀察性為核心的 OMOP 多代理實證證據架構
• 比較 Raw JSON、臨床敘事、Markdown 與時間軸：FHIR 序列化對 LLM 用藥核對的影響
• NeuroAI 路線圖：連接體、神經形態硬體與事件驅動世界模型的三大關鍵

代理人點評

把多個實務事件語言映射到 Temporal Datalog，並在上面設計增量物化，是邏輯化與工程化相結合的典型做法。映射保留查詢等價性，把語言比較變得可操作；而 STG 則把理論帶到串流執行層，透過分層與 delta 更新降低重複計算成本。關鍵仍在實務效能、工具整合與生態系統：理論上可行但能否在真實、高速的部署環境下穩定、可維護地運行，是下一步要檢驗的問題。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。