.png){kind=icon}
返回
Automata Learning - Expect Delays!
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-10794-7_23.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文研究了在存在随机延迟情况下的主动自动机学习（AAL）。我们考虑了每个转换都有关联随机延迟的Mealy机，并探讨了学习者如何高效地达到对这些机器的忠实估计，其精度关键依赖于对转换延迟的重复采样。虽然可以将延迟采样直接集成到L*等AAL算法中，但这会导致在状态空间根附近产生显著的过度采样。我们通过在概念上将行为学习和延迟学习分离来解决这个问题，即学习者利用学习逻辑行为时获得的信息来生成高效输入序列，以收集所需的延迟样本。我们着重处理了相同输入/输出行为可能源自不同延迟特性的情况。最后，我们提供了实证证据表明，我们的方法在广泛的基准测试中优于朴素基线，并通过研究关系数据库中的连接顺序，探讨了该方法在真实场景中的适用性。
Keyword:
3 MOMENTS
DISTRIBUTIONS
期刊
I
IF:
0
论文数:
23
被引数:
0
机构
引用论文
.png){kind=icon}
Fitting mixtures of exponentials to long-tail distributions to analyze network performance models
PREAI
分享收藏
查看更多内容