[论文解读] Active Automata Learning with Adaptive Distinguishing Sequences

Markus Frohme|arXiv (Cornell University)|Feb 4, 2019

Machine Learning and Algorithms参考文献 46被引用 5

一句话总结

本文提出 ADT（自适应区分树），一种新颖的主动自动机学习算法，通过集成自适应区分序列以提升学习效率与可扩展性。通过动态构建针对当前假设的区分序列，ADT 减少了推断有限状态机所需的查询次数，在合成数据与真实世界基准测试中均显著优于传统方法。

ABSTRACT

This document investigates the integration of adaptive distinguishing sequences into the process of active automata learning (AAL). A novel AAL algorithm "ADT" (adaptive discrimination tree) is developed and presented. Since the submission of the original thesis, the presented algorithm has been integrated into LearnLib - an open-source library for active automata learning - and has been successfully used in related fields of research.

研究动机与目标

• 通过改进区分序列的效率，解决主动自动机学习（AAL）中的高查询复杂度问题。
• 减少推断有限状态机所需的成员查询与等价查询次数。
• 开发一种根据当前假设自适应调整区分序列的学习算法，以提升可扩展性与性能。
• 将所提出的算法集成至现有 AAL 框架中，以实现实际部署与评估。

提出的方法

• ADT 通过分析当前假设自动机，自适应地构建区分序列，以识别能够区分状态的最短输入序列。
• 该算法使用基于树的结构表示潜在的区分序列，并根据成员查询与等价查询的反馈逐步优化。
• 采用剪枝策略以消除冗余或无法区分的序列，从而缩小搜索空间并减少查询次数。
• 区分序列的生成受启发式方法引导，优先选择具有高状态区分潜力的序列。
• ADT 可无缝集成至 LearnLib 框架，支持嵌入现有 AAL 数据流。
• 该算法维护当前假设的紧凑表示，并根据反例分析动态更新。

实验结果

研究问题

• RQ1 与固定或预计算的区分序列相比，自适应区分序列是否能减少主动自动机学习中的查询次数？
• RQ2 区分序列的动态构建如何影响 AAL 在大规模或复杂系统中的可扩展性？
• RQ3 ADT 在查询效率与学习速度方面相较于现有 AAL 算法的优越程度如何？
• RQ4 在真实学习场景中，面对噪声或不完美的反例，ADT 的鲁棒性如何？
• RQ5 将 ADT 集成至 LearnLib 是否能实现工业或嵌入式系统验证中的实际部署？

主要发现

• 与传统 AAL 方法相比，ADT 显著减少了推断有限状态机所需的成员查询与等价查询次数。
• 区分序列的自适应构建方式显著加快了收敛速度，并在合成与真实世界模型上均提升了可扩展性。
• 实证评估表明，ADT 在查询效率方面优于基线算法，尤其在高状态复杂度系统中表现突出。
• 将 ADT 集成至 LearnLib 使得其在工业应用中具备实际可用性，相关研究已成功实现部署。
• 由于其高效且动态的查询策略，该算法在处理复杂或大规模状态系统时仍能保持高精度。