从示例和演示中学习确定性有限自动机的分解
摘要：从标记的示例中识别确定性有限自动机（DFA）是文献中研究充分的问题;然而，之前的工作侧重于识别整体DFA。虽然整体DFA提供了系统行为的准确描述，但它们缺乏简洁性和可解释性;此外，它们无法捕捉由系统实现的子任务，并引入对整体任务固有分解的归纳偏差。在本文中，我们提出了一种从标记示例中学习DFA的合取算法。我们的方法扩展了现有的基于SAT的方法，以系统地枚举帕累托最优的候选解。我们通过将其与一种用于从演示中学习DFA的最新算法相结合，突出了我们方法的效用。我们的实验表明，该算法学习了标记示例实现的子任务，并且在感兴趣的领域具有可扩展性。
作者：Niklas Lauffer, Beyazit Yalcinkaya, Marcell Vazquez-Chanlatte, Ameesh Shah, Sanjit A. Seshia
论文ID：2205.13013
分类：Formal Languages and Automata Theory
分类简称：cs.FL
提交时间：2022-05-27