[論文レビュー] Learning Residual Finite-State Automata Using Observation Tables

Anna Kasprzik|arXiv (Cornell University)|Aug 10, 2010

Machine Learning and Algorithms参考文献 17被引用数 5

ひとこと要約

本稿では、観察表を用いて最小RFSAを学習する2段階のアルゴリズムを提案する。この手法は、目的言語の逆転に対して既存の最小DFA推定アルゴリズムを活用し、残余言語構造を反映させるために結果の表を変更することで、追加の同値クエリを一切用いずに正規RFSAを導出する。これにより、直接的なRFSA学習手法と比較して最適なクエリ複雑度を達成する。

ABSTRACT

We define a two-step learner for RFSAs based on an observation table by using an algorithm for minimal DFAs to build a table for the reversal of the language in question and showing that we can derive the minimal RFSA from it after some simple modifications. We compare the algorithm to two other table-based ones of which one (by Bollig et al. 2009) infers a RFSA directly, and the other is another two-step learner proposed by the author. We focus on the criterion of query complexity.

研究の動機と目的

• 観察表を用いたモジュラで2段階のアルゴリズムを用いて、最小RFSAを学習する。
• 目的言語の逆転に対して効率的な最小DFA推定を再利用することで、クエリ複雑度を低減する。
• 導出されたRFSAが正規かつ最小であることを示し、DFA学習の理論的効率を保つ。
• クエリ複雑度および実用的性能の観点から、本手法を直接的なRFSA学習手法と比較する。

提案手法

• 目標言語 $L$ の逆転 $\overline{L}$ に対して、最小DFA推定アルゴリズム（例：$L^*$）を用いて観察表を構築する。
• 表が閉じており一貫していることを保証し、$\overline{L}$ に対する最小DFAを保証する。
• 行と列の役割を逆転させ、残余言語を表す文字列を追加することで、$L$ に対する新しい観察表に変換する。
• すべてのゼロ行・ゼロ列を削除し、導出されたオートマトンの各終状態が一意な残余経路で到達可能であることを保証するために文字列を追加する。
• 標準的な観察表からオートマトンへの変換規則に従い、修正済みの表から正規RFSAを導出する。
• RFSA閉じ性およびRFSA一貫性の条件を検証することで、得られたオートマトンが最小かつ $L$ の正規RFSAと同値であることを証明する。

実験結果

リサーチクエスチョン

• RQ1 既存の最小DFA推定アルゴリズムを $\overline{L}$ に適用することで、最小RFSAを効率的に学習できるか？
• RQ2 最小DFAが $\overline{L}$ に対して得られた観察表を、$L$ に対する正規RFSAに変換するために必要な変更は何か？
• RQ3 この2段階的手法のクエリ複雑度は、$NL^*$ などの直接的なRFSA学習アルゴリズムと比較してどうなるか？
• RQ4 モジュラで2段階の設計は、DFA学習の理論的クエリ効率を保ちつつ、最小RFSAの推定を可能にするか？

主な発見

• 提案された2段階アルゴリズムは、最小DFA推定ステップと同一のクエリ複雑度を達成し、追加の同値クエリを一切必要としない。
• 本手法は $O(I_L \cdot |F_L|)$ の追加メンバーシップクエリを必要とし、ここで $I_L$ はMyhill-Nerode指数、$|F_L|$ は最小DFAにおける終状態数を表す。
• 得られたオートマトンは、RFSAフレームワーク下での閉じ性および一貫性条件を満たすことにより、$L$ の正規最小RFSAであることが証明される。
• 直接的な $NL^*$ アルゴリズムに比べ、理論的クエリ複雑度で本手法が優れているが、先行研究では $NL^*$ が実用的性能で優れていた。
• 双方向決定的言語では、追加クエリは不要である。なぜなら、表の構造そのものが正規RFSAを既にサポートしているからである。
• 本手法は、$\overline{L}$ におけるDFA推定を用いた最小RFSAの学習が、同値クエリの使用に関して理論的に最適であることを示している。