21、CGE: A Sequential Learning Algorithm for Mealy Automata

CGE: A Sequential Learning Algorithm for Mealy Automata

1 引言

成员查询成本高昂，因此应尽可能从假设自动机的行为分析中得出更多查询（即测试用例），同时尽量减少学习算法内部簿记产生的查询。理想情况下，每个成员查询都应代表一个相关且有趣的测试用例。本文介绍了一种满足这些标准的新顺序学习算法。自动机学习可视为自动机解决方案格中的搜索问题，该算法在此基础上，在前缀自动机的所有一致有限生成同余格中进行搜索。

2 相关算法比较

2.1 RPNI2 算法

RPNI2 算法与 CGE 算法有一些共同特征，如都对按字典序排序的状态集进行递归深度优先搜索并回溯。但 RPNI2 专为具有二进制（正/负）输出的摩尔机（即语言识别）设计，通过计算输入字符串的等价关系来表示和操作假设自动机状态集。而 CGE 使用基于有限同余生成集的纯符号方法，以字符串重写系统（SRS）计算状态的范式，这种表示更紧凑，避免了 RPNI2 中的一些计算步骤，且 CGE 始终维护确定性假设自动机。不过，两者都能在极限情况下学习，且无需生成当前查询数据库之外的新成员查询。

2.2 其他算法

IID 算法和 [Porat, Feldman 1991] 中引入的增量学习算法仅适用于正/负结果（语言识别），由于内部簿记操作和字典序查询排序，根据标准来看效率较低。

算法	适用机器	状态集表示方法	假设自动机确定性	是否需新成员