改进经典学习算法，精准提取可解释的加权有限状态机。
An $\mathbf{L^*}$ Algorithm for Deterministic Weighted Regular Languages
- 基于角林算法，设计可精确学习加权自动机的新方法
- 支持除法运算的权重下，能直接学到最小化目标自动机
- 适合需要模型可解释性的系统分析与形式化验证场景
从黑箱模型中提取有限状态自动机（FSAs）为理解复杂模型行为提供了有力手段。为此，我们提出了安格林1987年提出的L*算法的加权变体，用于学习确定性加权有限状态自动机。该方法严格遵循原始算法框架，能够精确学习其权重支持除法运算的确定性加权FSAs。此外，我们以一种凸显与FSA最小化关联的方式重构了学习过程，表明L*算法能直接学习目标语言的最小自动机。
原文摘要 · Abstract (English)
Extracting finite state automata (FSAs) from black-box models offers a powerful approach to gaining interpretable insights into complex model behaviors. To support this pursuit, we present a weighted variant of Angluin's (1987) $\mathbf{L^*}$ algorithm for learning FSAs. We stay faithful to the original algorithm, devising a way to exactly learn deterministic weighted FSAs whose weights support division. Furthermore, we formulate the learning process in a manner that highlights the connection with FSA minimization, showing how $\mathbf{L^*}$ directly learns a minimal automaton for the target language.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。