Conflict-Aware Active Automata Learning (Extended Version)

要約

アクティブ オートマトン学習アルゴリズムは、観測データの矛盾 (同じ入力に対して観測された異なる出力) を簡単に処理できません。
この本質的に競合後に回復できないため、ノイズが存在するシナリオや学習中のシステムが変化しているシナリオでは効果的な適用性が損なわれます。
私たちは、学習プロセス中に矛盾する情報を処理できるようにするために、Conflict-Aware Active Automata Learning (C3AL) フレームワークを提案します。
中心となるアイデアは、いわゆる観察ツリーを学習プロセスにおける第一級市民として考慮することです。
このアイデアは最近の研究で検討されていますが、既存の学習者での使用を可能にし、特に競合に直面した場合に学習中のシステムで実行されるテストの数を最小限に抑えることで、その効果を最大限に発揮します。
当社は、30 を超える異なる現実的なターゲットと 18,000 を超える異なるシナリオをカバーする大規模なベンチマーク セットで C3AL を評価します。
評価の結果は、C3AL がノイズと突然変異をより適切に処理できるクローズドボックス学習に適した代替フレームワークであることを示しています。

要約(オリジナル)

Active automata learning algorithms cannot easily handle conflict in the observation data (different outputs observed for the same inputs). This inherent inability to recover after a conflict impairs their effective applicability in scenarios where noise is present or the system under learning is mutating. We propose the Conflict-Aware Active Automata Learning (C3AL) framework to enable handling conflicting information during the learning process. The core idea is to consider the so-called observation tree as a first-class citizen in the learning process. Though this idea is explored in recent work, we take it to its full effect by enabling its use with any existing learner and minimizing the number of tests performed on the system under learning, specially in the face of conflicts. We evaluate C3AL in a large set of benchmarks, covering over 30 different realistic targets, and over 18,000 different scenarios. The results of the evaluation show that C3AL is a suitable alternative framework for closed-box learning that can better handle noise and mutations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google