解释有限状态自动机用于序列数据
介绍了一个交互式版本的基于证据驱动的状态合并算法(EDSM)用于学习有限状态自动机的变体,该算法可通过与人直接交互更好地利用领域知识。
Jul, 2017
本文提出了一种新算法,利用精确学习和抽象来提取描述给定训练RNN状态动态的确定性有限自动机,使用Angluin的L*算法作为学习器和训练RNN作为oracle,即使状态向量较大且需要进行精细区分,该技术也可以高效地从训练RNN中提取准确的自动机。
Nov, 2017
通过训练循环神经网络(RNN)来学习识别正则形式语言时使用的内部表示,我们研究了一个简单的解码函数,其将该 RNN 的状态映射到该语言的最小确定性有限自动机(MDFA)的状态,进而探讨了RNN内部表示与有限状态自动机之间的强结构关系,解释了RNN识别正式语法结构的能力。
Feb, 2019
本文提出了解决 RNN 的状态转移抽取中过稀疏问题的新方法,包括用经验方法补充缺失规则、调整转移矩阵以加强上下文感知、以及数据增强策略以跟踪目标 RNN 的更多动态行为。研究结果表明,我们的方法能够以更好的精度从 RNN 中提取加权有限自动机,特别适用于自然语言处理模型。
Jun, 2022
本文探讨黑盒系统建模中使用有限状态自动机和线性时态逻辑公式的方法,通过正例学习建立有意义的、最小化的模型。作者提出了符号方法和反例引导方法两种学习方式,并在合成数据上进行评估。
Sep, 2022
该研究介绍了一种从专家演示和自然语言中学习确定性有限自动机(DFA)的算法,利用自然语言的表达能力显著提高了从专家演示中学习DFAs的数据效率,通过结合大型语言模型和转化学习算法,实现了强大的少样本学习器。
Feb, 2024
通过标准的基于梯度的训练,我们展示了transformers模型能够模拟加权有限自动机和加权树自动机的推理能力,并在理论上证明了这些结果以及所需的transformer模型大小与目标自动机状态数的关系。
Mar, 2024
主题:主动自动机学习;适应性学习;状态匹配;参考模型;样本复杂度;摘要:本文介绍了一种自动学习的新框架,它通过状态匹配提供了对参考模型结构的灵活使用,从而减少了自动学习的样本复杂度。实证评估表明,该适应性学习框架改进了当前的状态艺术水平约两个数量级。
Jun, 2024
研究了基于L*风格学习算法针对max-plus半环上的加权自动机的主题,提出了一种理论修复并介绍了一种算法,该算法可以在一类max-plus半环上的加权语言中终止。
Jul, 2024