論文の概要: Error-awareness Accelerates Active Automata Learning

• arxiv url: http://arxiv.org/abs/2602.21674v1
• Date: Wed, 25 Feb 2026 08:20:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-26 18:19:16.754238
• Title: Error-awareness Accelerates Active Automata Learning
• Title（参考訳）: エラー認識によるアクティブオートマタ学習の高速化
• Authors: Loes Kruger, Sebastian Junges, Jurriaan Rot,
• Abstract要約: アクティブオートマチック学習(AAL)アルゴリズムは、システムの行動モデルと対話することから学習することができる。 現代のAALアルゴリズムは、全ての状態においてほとんどの入力がエラーにつながるとしても、スケールに失敗する。 これらの問題に触発され、我々はこれらのシステムをより効率的に学習する。
• 参考スコア（独自算出の注目度）: 4.4405560305368725
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Active automata learning (AAL) algorithms can learn a behavioral model of a system from interacting with it. The primary challenge remains scaling to larger models, in particular in the presence of many possible inputs to the system. Modern AAL algorithms fail to scale even if, in every state, most inputs lead to errors. In various challenging problems from the literature, these errors are observable, i.e., they emit a known error output. Motivated by these problems, we study learning these systems more efficiently. Further, we consider various degrees of knowledge about which inputs are non-error producing at which state. For each level of knowledge, we provide a matching adaptation of the state-of-the-art AAL algorithm L# to make the most of this domain knowledge. Our empirical evaluation demonstrates that the methods accelerate learning by orders of magnitude with strong but realistic domain knowledge to a single order of magnitude with limited domain knowledge.
• Abstract（参考訳）: アクティブオートマチック学習(AAL)アルゴリズムは、システムの行動モデルと対話することから学習することができる。 主な課題は、特にシステムへの多くのインプットが存在する場合において、より大きなモデルへのスケーリングである。 現代のAALアルゴリズムは、全ての状態においてほとんどの入力がエラーにつながるとしても、スケールに失敗する。 文献からの様々な困難な問題において、これらのエラーは観測可能であり、既知のエラー出力を出力する。 これらの問題に触発され、我々はこれらのシステムをより効率的に学習する。 さらに、どの入力が非エラー生成であるかについての様々な知識について考察する。 各レベルの知識に対して、このドメイン知識を最大限に活用するために、最先端のAALアルゴリズムであるL#を適合させて提供します。 我々の経験的評価は,本手法が強いが現実的なドメイン知識を持つ桁数による学習を,限られたドメイン知識を持つ桁数に加速することを示した。

関連論文リスト

• Learning Without Training [0.0]
  この論文は、機械学習応用の数学的理論に根ざした3つの異なるプロジェクトに焦点を当てている。 最初のプロジェクトは教師付き学習と多様体学習を扱う。 第2のプロジェクトは、あるドメインで学んだ近似プロセスやモデルをどのように活用して、別のドメインでの近似を改善するかを研究する、転送学習を扱う。 第3のプロジェクトは、機械学習における分類タスク、特にアクティブな学習パラダイムに関するものである。
  論文  参考訳（メタデータ） (2026-02-20T04:42:06Z)
• Offline Imitation Learning Through Graph Search and Retrieval [57.57306578140857]
  模倣学習は、ロボットが操作スキルを取得するための強力な機械学習アルゴリズムである。 本稿では,グラフ検索と検索により,最適下実験から学習する,シンプルで効果的なアルゴリズムGSRを提案する。 GSRは、ベースラインに比べて10%から30%高い成功率、30%以上の熟練を達成できる。
  論文  参考訳（メタデータ） (2024-07-22T06:12:21Z)
• KnowTuning: Knowledge-aware Fine-tuning for Large Language Models [83.5849717262019]
  本研究では,LLMの微粒で粗粒な知識認識を改善するための知識認識ファインタニング(KnowTuning)手法を提案する。 KnowTuningは、きめ細かい事実評価の下で、より少ない事実エラー率で多くの事実を生成する。
  論文  参考訳（メタデータ） (2024-02-17T02:54:32Z)
• Recognizing Unseen Objects via Multimodal Intensive Knowledge Graph Propagation [68.13453771001522]
  画像の領域と対応するセマンティック埋め込みとをマッチングする多モード集中型ZSLフレームワークを提案する。 我々は、大規模な実世界のデータに基づいて、広範囲な実験を行い、そのモデルを評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:07:48Z)
• Learning to solve arithmetic problems with a virtual abacus [0.35911228556176483]
  本稿では,認知エージェントが算術的問題を解くための学習方法をシミュレートする,深層強化学習フレームワークを提案する。 提案モデルでは,複数桁の加算と減算をうまく学習し,誤差率を1%以下に抑えることができた。 最も一般的なエラーパターンを分析して、設計選択による制限とバイアスをよりよく理解します。
  論文  参考訳（メタデータ） (2023-01-17T13:25:52Z)
• Continual Learning with Deep Learning Methods in an Application-Oriented Context [0.0]
  人工知能(AI)の重要な研究領域は、データから知識を自動的に導出することである。 ディープニューラルネットワーク(Deep Neural Networks, DNN)と呼ばれる、"ディープラーニング"モデルに分類される機械学習アルゴリズムの一種。 DNNは、新しい知識が既存のベースに追加されるのを防ぐ問題の影響を受けます。
  論文  参考訳（メタデータ） (2022-07-12T10:13:33Z)
• ActKnow: Active External Knowledge Infusion Learning for Question Answering in Low Data Regime [7.562843347215286]
  知識グラフ(KG)をベースとした「オンデマンド」から質問回答(QA)の学習に積極的に知識を注入する手法を提案する。 我々は、低データ構造におけるRoBERTaのような純粋テキストベースのトランスフォーマーモデルに対して、ARC Challenge-setベンチマークを著しく改善したことを示す。
  論文  参考訳（メタデータ） (2021-12-17T10:39:41Z)
• Characterizing possible failure modes in physics-informed neural networks [55.83255669840384]
  科学機械学習における最近の研究は、いわゆる物理情報ニューラルネットワーク(PINN)モデルを開発した。 既存のPINN方法論は比較的自明な問題に対して優れたモデルを学ぶことができるが、単純なPDEであっても、関連する物理現象を学習するのに失敗する可能性があることを実証する。 これらの障害モードは,NNアーキテクチャの表現力の欠如によるものではなく,PINNのセットアップによって損失状況の最適化が極めて困難であることを示す。
  論文  参考訳（メタデータ） (2021-09-02T16:06:45Z)
• Knowledge as Invariance -- History and Perspectives of Knowledge-augmented Machine Learning [69.99522650448213]
  機械学習の研究は転換点にある。 研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。 このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
  論文  参考訳（メタデータ） (2020-12-21T15:07:19Z)

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。