Jun, 2024

自适应主动自动机学习中的状态匹配和多重参考

PDF
TL;DR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。
发现论文，激发创造
  • 冲突感知主动自动机学习

    Conflicts in observation data pose a challenge for active automata learning algorithms, but the Conflict-Aware Active Automata Learning (C3AL) framework addresses this by considering the observation tree as a first-class citizen during the learning process, enabling better handling of noise and mutations.

    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

  • 冲突感知的主动自动机学习

    冲突感知主动自动机学习 (C3AL) 框架是处理学习过程中冲突信息的合适替代框架，能够更好地处理噪声和变异的闭盒学习。

    Aug, 2023

  • 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

  • 状态标记对抗主动学习

    本文提出了基于状态重标记的对抗主动学习模型（SRAAL），利用注释和标记 / 未标记状态信息为模型提取最具信息量的未标记样本，实验结果表明该模型超过现有主动学习算法，并且初始采样算法也取得了更好的效果。

    Apr, 2020

  • 从数据中学习主动学习

    本文提出了一种新的基于数据驱动的主动学习方法，该方法将问题选择过程描述为回归问题以学习基于以前经验的策略，具有广泛的适用性。

    Mar, 2017

  • 从成员和偏好查询中学习正式规范

    提出了一个将成员标签和成对偏好结合起来的新框架，扩展了主动规范学习的方法，以更灵活地进行活跃规范学习，通过两种模式的学习使我们能够鲁棒且方便地识别成员标签和偏好的规范。

    Jul, 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

  • 通过深度强化学习元学习可转移的主动学习策略

    使用元学习框架，将主动学习算法视为学习问题，并使用强化学习训练一个输入基础学习器状态和未标记点集的深度神经网络，预测下一个最佳注释点，使用多任务数据集嵌入方法，使得算法可以直接推广到不同的问题。

    Jun, 2018

  • 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