ترجمه فارسی مقاله DeepDFA: یادگیری خودکار از طریق آرامش‌های احتمالی عصبی

چکیده

In this work, we introduce DeepDFA, a novel approach to identifying Deterministic Finite Automata (DFAs) from traces, harnessing a differentiable yet discrete model. Inspired by both the probabilistic relaxation of DFAs and Recurrent Neural Networks (RNNs), our model offers interpretability post-training, alongside reduced complexity and enhanced training efficiency compared to traditional RNNs. Moreover, by leveraging gradient-based optimization, our method surpasses combinatorial approaches in both scalability and noise resilience. Validation experiments conducted on target regular languages of varying size and complexity demonstrate that our approach is accurate, fast, and robust to noise in both the input symbols and the output labels of training data, integrating the strengths of both logical grammar induction and deep learning.

چکیده به فارسی (ترجمه ماشینی)

در این کار ، ما DeepDFA را معرفی می کنیم ، یک رویکرد جدید برای شناسایی اتومات های محدود قطعی (DFAS) از آثار ، استفاده از یک مدل متفاوت و در عین حال گسسته.با الهام از آرامش احتمالی DFA و شبکه های عصبی مکرر (RNN) ، مدل ما تفسیر پس از آموزش را ارائه می دهد ، در کنار پیچیدگی کاهش یافته و راندمان آموزش پیشرفته در مقایسه با RNN های سنتی.علاوه بر این ، با استفاده از بهینه سازی مبتنی بر گرادیان ، روش ما از رویکردهای ترکیبی در مقیاس پذیری و مقاومت در برابر نویز پیشی می گیرد.آزمایش های اعتبار سنجی انجام شده بر روی زبانهای منظم هدف با اندازه و پیچیدگی متفاوت نشان می دهد که رویکرد ما در هر دو نماد ورودی و برچسب های خروجی داده های آموزشی دقیق ، سریع و قوی است ، و ادغام نقاط قوت القاء گرامر منطقی و یادگیری عمیق است.