在过去的文献中，非均匀的多项式大小有限自动机被用来解决非均匀的承诺决策问题。我们重点关注非确定性有限自动机的变体，它们具有至多一个（无歧义的）、多项式多个（少量的）接受计算路径，或者无歧义 / 少量计算路径导致每个固定配置。当这些机器仅能进行单向头移动时，可以证明在没有未经证明的困难假设的情况下，其中一些变体在计算能力上与其他变体不同。至于限制在多项式有界长度的实例上的两向机器，双向多项式大小的非确定性有限自动机和多项式大小的无歧义有限自动机在计算能力上是等效的。

Nov, 2023

本文研究了 Automaton 模型的可解释性问题，通过修改状态合并方法来学习变量的有限状态自动机，提出了关键特性的概念，进而应用于各类监督和无监督分类、聚类等涉及到顺序数据的问题。

Nov, 2016

该研究介绍了一种从黑盒语言模型中提取概率确定有限自动机（PDFA）的算法，并在应用于循环神经网络（RNN）时，通常比从同一网络中提取加权有限自动机（WFA）的谱提取法实现更好的单词错误率（WER）和标准化分布累计收益（NDCG）。

Oct, 2019

DFAMiner 是一种用于学习从一组标记样本中获取最小可分离确定有限自动机（DFA）的无主动学习工具。

May, 2024

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

我们使用转移半群建立一种有限状态自动机的即时确定化的抽象，并展示了如何应用它来界定渐近性。我们呈现了足够导致确定自动机的多项式状态复杂性的代数和组合特性。我们发现的一个特例是，具有许多非确定性转换的自动机几乎总是适用于多项式复杂性的确定化。此外，我们将我们的思想扩展到加权有限状态自动机。

Aug, 2023

介绍了一种用于处理非连贯现象的有限状态转换器的新技术，通过将正则表达式编译器重新应用到其自身的输出来实现，该算法称为编译替换， 并在马来语全干重复和阿拉伯语干部分插入上进行了演示。

Jun, 2000

本研究从形式语言的角度出发，使用确定性有限状态转换器进行实验，研究了神经网络在学习复合性时的可学习性限制，发现关键在于转换器的转换覆盖率，限制为每个转换至少有 400 个示例。

Aug, 2022

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

该研究提供一种产生概率语法的框架，通过对正例语料库进行舍选规则加入工作语法，利用贝叶斯后验概率来决定合并元素的时机，从而得到更通用且更紧凑的概率语法模型。本研究运用了三种类型的概率语法模型：隐马尔可夫模型，基于类的 n 元模型，和随机上下文无关文法。

Sep, 1994