May, 2024

输出分解学习 Mealy 机器

PDF
TL;DR我们提出了一种主动自动机学习算法，它基于将个别输出进行投影从而学习一个有限状态机的分解。这与 Labbaf 等人 (2023) 提出的最近的组合学习算法互为对偶。当将输出投影到一个较小的集合时，模型本身也会缩小。通过有几个这样的投影，我们不会丢失任何信息，完整的系统可以被重建。根据系统的结构，这大大减少了查询的数量，如算法的初步评估所示。
active automata learningfinite state machinedecompositioncompositional learning algorithmprojection
发现论文，激发创造
  • 学习产品自动机

    本文介绍适用于学习 Moore 机的主动学习算法的优化方法，其中输出包括多个可观测量，并通过投影分解为较小的组件进行学习，这对于学习软件尤为重要，因为组合方法对于保证可扩展性非常重要。

    May, 2017

  • 具有计时器的 Mealy 机器的主动学习

    我们提出了第一个用于黑盒上下文中的具有计时器的 Mealy 机组的查询学习算法。该算法扩展了 Vaandrager 等人的 L＃算法，以应用于定时设置。通过使用符号查询实现的我们的算法仅需要多项式数量的具体查询，相较于 Waga 的算法的指数数量的具体查询，该算法能有效学习实际基准测试组。

    Mar, 2024

  • 通过人工智能，让基于分解的优化摒弃人类干涉：第二部分。学习初始化

    通过机器学习方法学习大规模优化问题的分解式解决方法，从而在计算时间上实现最优初始化，进而用于解决混合整数模型预测控制问题，结果表明该方法能显著减少解决时间并减少所需数据。

    Oct, 2023

  • 人类参与：基于证据驱动状态合并算法的交互式被动自动机学习

    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

  • 迭代分解：通过监督推理过程提高科学问答

    通过使用透明的中间状态进行复合会带来可解释性和安全性的好处，但可能需要工作流程支持和基础设施来保持竞争力，为此我们描述了一种人在循环中使用的对于开发和完善复合 LM 程序的工作流程，并开发了一个可视化 LM 程序执行跟踪的开源工具 - ICE，通过三个真实世界的案例将这一工作流程应用于 LM 程序，并比非组合基线提高了 LM 程序的准确性 - 描述随机对照试验中使用的安慰剂（25％到 65％），评估参与者遵守医疗干预（53％到 70％）以及在 Qasper 数据集上回答 NLP 问题（38％到 69％）。

    Jan, 2023

  • 使用隐马尔可夫模型的自动机学习任务自动化增强学习

    该论文提出了一种从代理环境经验中学习非马尔可夫任务规范的新方法，可以将任务拆分为其构成子任务，提高了 RL 代理后续合成最优策略的速率，并提供了一个可解释的编码高级环境和任务特征的方式。

    Aug, 2022

  • 功能组合结构的终身机器学习

    这篇论文提出了一种通用的学习框架，用于终身学习功能本质组合结构，分别研究了有监督学习和强化学习的应用，同时拓展到了非静态环境下。在评估实验中，展示了这种框架的优越性，取得了较好的效果。

    Jul, 2022

  • 协作多智体强化学习的奖励机器

    研究团队提出使用奖励机器（RM）对协作多智能体强化学习中的团队任务进行编码，分解任务成子任务分配给个体智能体去完成，提出一种分布式完成子任务的算法，提供了一种自然去中心化学习的方法，并在实验中验证了所提出的方法非常有效。

    Jul, 2020

  • 决策为中心学习的理想抽象

    提出了一种通过识别和利用决策的实用结构，在机器学习系统中制定简化抽象的方法，该方法自动配置输出空间以最小化决策相关信息的损失，该方法通过减少所需的数据实现了更好的决策质量。

    Mar, 2023

  • 连续随机动力学学习环境模型

    通过深度强化学习、自动化学习和马尔可夫决策过程等技术，学习出由自主智能体控制的环境模型，以解决复杂环境下的控制问题，并在多个强化学习基准环境中验证了方法的有效性。

    Jun, 2023