論文の概要: Extending AALpy with Passive Learning: A Generalized State-Merging Approach

• arxiv url: http://arxiv.org/abs/2506.06333v1
• Date: Sat, 31 May 2025 08:29:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.187639
• Title: Extending AALpy with Passive Learning: A Generalized State-Merging Approach
• Title（参考訳）: パッシブラーニングによるALpyの拡張: 一般化されたステートマージアプローチ
• Authors: Benjamin von Berg, Bernhard K. Aichernig,
• Abstract要約: AALpyはPythonで書かれたオープンソースの自動学習ライブラリである。 AALpyを用いてステートマージアルゴリズムの定義と実行方法について述べる。
• 参考スコア（独自算出の注目度）: 1.179136493190695
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AALpy is a well-established open-source automata learning library written in Python with a focus on active learning of systems with IO behavior. It provides a wide range of state-of-the-art algorithms for different automaton types ranging from fully deterministic to probabilistic automata. In this work, we present the recent addition of a generalized implementation of an important method from the domain of passive automata learning: state-merging in the red-blue framework. Using a common internal representation for different automaton types allows for a general and highly configurable implementation of the red-blue framework. We describe how to define and execute state-merging algorithms using AALpy, which reduces the implementation effort for state-merging algorithms mainly to the definition of compatibility criteria and scoring. This aids the implementation of both existing and novel algorithms. In particular, defining some existing state-merging algorithms from the literature with AALpy only takes a few lines of code.
• Abstract（参考訳）: AALpyはPythonで書かれたオープンソースの自動学習ライブラリで、IO動作を持つシステムのアクティブな学習に重点を置いている。 完全な決定性から確率的オートマトンまで、さまざまなオートマトンタイプに対して幅広い最先端のアルゴリズムを提供する。 本稿では,受動的オートマトン学習の領域から,赤青フレームワークにおける状態統合という重要な手法を一般化した実装法を提案する。 異なるオートマトンタイプに共通する内部表現を使用することで、赤青フレームワークの汎用的で高度に構成可能な実装が可能になる。 本稿では、AALpyを用いてステートマージアルゴリズムを定義し、実行する方法を説明し、互換性基準とスコアリングの定義を中心に、ステートマージアルゴリズムの実装労力を削減する。 これは既存のアルゴリズムと新しいアルゴリズムの両方の実装に役立つ。 特に、AALpyで文献から既存のステートマージアルゴリズムを定義するには、ほんの数行のコードしかかからない。

関連論文リスト

• AlgOS: Algorithm Operating System [2.5352713493505785]
  AlgOSはアルゴリズムの実装のためのモジュール化されていないフレームワークである。 新しいアルゴリズムの実装のオーバーヘッドを減らし、アルゴリズムの比較を標準化するように設計されている。
  論文  参考訳（メタデータ） (2025-04-07T10:36:46Z)
• AutoAL: Automated Active Learning with Differentiable Query Strategy Search [18.23964720426325]
  本研究は, AutoAL という,最初の識別可能な能動学習戦略探索手法を提案する。 SearchNetとFitNetはラベル付きデータを使って協調最適化され、そのタスクにおける候補ALアルゴリズムのセットがどの程度うまく機能するかを学ぶ。 AutoALは、すべての候補ALアルゴリズムや他の選択ALアプローチと比較して、常に優れた精度を達成する。
  論文  参考訳（メタデータ） (2024-10-17T17:59:09Z)
• State Matching and Multiple References in Adaptive Active Automata Learning [1.3430516723882608]
  状態マッチングは、適応学習の新しいフレームワークであるアダプティブL#の主要な要素である。 我々の経験的評価は、適応L#が最大2桁の精度で芸術の状態を改善していることを示している。
  論文  参考訳（メタデータ） (2024-06-28T07:56:35Z)
• Unified Functional Hashing in Automatic Machine Learning [58.77232199682271]
  高速に統一された関数型ハッシュを用いることで,大きな効率向上が得られることを示す。 私たちのハッシュは"機能的"であり、表現やコードが異なる場合でも同等の候補を識別します。 ニューラルアーキテクチャ検索やアルゴリズム発見など、複数のAutoMLドメインで劇的な改善がなされている。
  論文  参考訳（メタデータ） (2023-02-10T18:50:37Z)
• Open-Set Automatic Target Recognition [52.27048031302509]
  オートマチックターゲット認識(Automatic Target Recognition、ATR)は、異なるセンサーから取得したデータに基づいてターゲットを認識しようとするコンピュータビジョンアルゴリズムのカテゴリである。 既存のATRアルゴリズムは、トレーニングとテストが同じクラス分布を持つ従来のクローズドセット手法向けに開発されている。 ATRアルゴリズムのオープンセット認識機能を実現するためのオープンセット自動ターゲット認識フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-10T21:28:24Z)
• ALBench: A Framework for Evaluating Active Learning in Object Detection [102.81795062493536]
  本稿では、オブジェクト検出におけるアクティブラーニングを評価するために、ALBenchという名前のアクティブラーニングベンチマークフレームワークをコントリビュートする。 自動深層モデルトレーニングシステム上で開発されたこのALBenchフレームワークは、使いやすく、さまざまなアクティブな学習アルゴリズムと互換性があり、同じトレーニングおよびテストプロトコルを保証する。
  論文  参考訳（メタデータ） (2022-07-27T07:46:23Z)
• Induction and Exploitation of Subgoal Automata for Reinforcement Learning [75.55324974788475]
  本稿では,Regressed Learning (RL)タスクにおけるサブゴールの学習と活用のためのISAを提案する。 ISAは、タスクのサブゴールによってエッジがラベル付けされたオートマトンであるサブゴールオートマトンを誘導することで強化学習をインターリーブする。 サブゴールオートマトンはまた、タスクの完了を示す状態と、タスクが成功せずに完了したことを示す状態の2つの特別な状態で構成されている。
  論文  参考訳（メタデータ） (2020-09-08T16:42:55Z)
• Discovering Reinforcement Learning Algorithms [53.72358280495428]
  強化学習アルゴリズムは、いくつかのルールの1つに従ってエージェントのパラメータを更新する。 本稿では,更新ルール全体を検出するメタラーニング手法を提案する。 これには、一連の環境と対話することで、"何を予測するか"(例えば、値関数)と"どのように学習するか"の両方が含まれている。
  論文  参考訳（メタデータ） (2020-07-17T07:38:39Z)
• OPFython: A Python-Inspired Optimum-Path Forest Classifier [68.8204255655161]
  本稿では,OPFythonと表記されるPythonベースのOptimum-Path Forestフレームワークを提案する。 OPFythonはPythonベースのライブラリなので、C言語よりもフレンドリーな環境とプロトタイピングの作業スペースを提供する。
  論文  参考訳（メタデータ） (2020-01-28T15:46:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。