[論文レビュー] Better hyper-minimization: not as fast, but fewer errors

Andreas Maletti|arXiv (Cornell University)|Aug 12, 2010

semigroups and automata theory参考文献 18被引用数 4

ひとこと要約

この論文は、時間計算量の増加を犠牲にして誤り数を最小化する、決定的有限オートマトン（DFA）の改善されたハイパーミニマイゼーションアルゴリズムを提示する。従来のO(n log n)アルゴリズムは高速な計算を達成していたが、本研究では誤りの最小化を最優先にすることで、得られるオートマトンにおける誤り数を可能な限り少なくした。

ABSTRACT

Abstract. Hyper-minimization aims to compute a minimal deterministic finite automaton (dfa) that recognizes the same language as a given dfa up to a finite number of errors. Algorithms for hyper-minimization that run in time O(n log n), where n is the number of states of the given dfa, have been reported recently in [Gawrychowski and Jeż: Hyperminimisation made efficient. Proc. Mfcs, Lncs 5734, 2009] and [Holzer and Maletti: An n log n algorithm for hyper-minimizing a (minimized) deterministic automaton. Theor. Comput. Sci. 411, 2010]. These algorithms are improved to return a hyper-minimal dfa that commits the least number of errors. This closes another open problem of [Badr, Geffert, and Shipman: Hyper-minimizing minimized deterministic finite state automata. Rairo Theor. Inf. Appl. 43, 2009]. Unfortunately, the time complexity for the obtained algorithm increases to O(n 2). 1

研究の動機と目的

• ハイパーミニマイズドDFAにおける誤り数を最小化するという未解決問題に取り組む。
• 速度を最優先とする既存のハイパーミニマイゼーションアルゴリズムを、誤りの最小化に優れるように改善する。
• ハイパーミニマイゼーションにおけるギャップを埋め、得られるDFAが可能な限り少ない誤りを犯すように保証する。
• 計算コストが高くなるものの、理論的に最適なハイパーミニマイゼーションの解決策を提供する。

提案手法

• 既存のハイパーミニマイゼーション技術を拡張し、誤りの最小化を主な目的として統合する。
• 標準的なハイパーミニマイゼーションプロセスを変更し、実行時間効率よりも誤り数の削減を優先する。
• 最小化の過程で誤り状態を体系的かつ評価・削減する新しいアルゴリズム的構造を導入する。
• 最適性を保証するため、すべての可能な誤り構成を調査するために2次時間のアプローチを採用する。
• 最小化されたDFAの構造を活用して、冗長または誤った遷移を特定・削除する。
• 誤り耐性を考慮しつつ言語の正しさを有限誤りの範囲で保つ、洗練された状態同値関係を用いる。

実験結果

リサーチクエスチョン

• RQ1 ハイパーミニマイゼーションを、可能な限り誤り数が少ないDFAを生成できるように改善できるか？
• RQ2 ハイパーミニマイゼーションにおいて、時間計算量と誤りの最小化のトレードオフは何か？
• RQ3 正しさを損なわず、ハイパーミニマイズドDFAにおける誤り数を最適化することは可能か？
• RQ4 新しいアルゴリズムは、既存のO(n log n)手法と比較して、誤り数とパフォーマンスの両面でどのように異なるか？

主な発見

• 提案されたアルゴリズムは、ハイパーミニマイズドDFAで可能な限り最小の誤り数を達成し、未解決問題を解決した。
• 時間計算量がO(n²)に増加するが、これは誤りの最小化を達成するための妥当なトレードオフである。
• 従来のO(n log n)手法に比べ、得られるオートマトンにおける誤り数が最小となるように改善された。
• 誤り数の観点から最適な解決策であるため、入力DFAに対して可能な限り最良のハイパーミニマイゼーション結果が得られる。