Moore-Maschinen als Zustandsraummodelle: Automata-Lernen trifft kontinuierliche ML

In einer neuen Veröffentlichung auf arXiv wird gezeigt, dass Moore-Maschinen exakt als Zustandsraummodelle (SSMs) umgesetzt werden können. Diese Moore-SSMs bewahren die komplette symbolische Struktur sowie das Eingabe-Ausgabe-Verhalten der ursprünglichen Maschine, arbeiten jedoch im euklidischen Raum.

Die Autoren vergleichen die Schulung von SSMs mit passivem und aktivem Automata-Lernen. Beim Wiederaufbau von Automaten aus dem SYNTCOMP-Benchmark benötigen SSMs um ein Vielfaches mehr Daten und können die zugrunde liegende Zustandsstruktur nicht rekonstruieren. Das Ergebnis legt nahe, dass symbolische Strukturen einen starken induktiven Bias für das Lernen dieser Systeme bieten.

Auf dieser Erkenntnis aufbauend kombinieren die Forscher die Stärken von Automata-Lernen und SSMs, um komplexe Systeme effizient zu erlernen. Sie trainieren eine adaptive Arbitration-Policy für eine Reihe von Arbitern aus SYNTCOMP und zeigen, dass SSMs, die mit symbolisch erlernten Annäherungen initialisiert werden, sowohl schneller als auch genauer lernen. Die Konvergenz ist 2‑5 Mal schneller als bei zufälliger Initialisierung, und die Modellgenauigkeit auf Testdaten verbessert sich deutlich.

Diese Arbeit hebt Automata-Lernen aus rein diskreten Räumen und eröffnet die Möglichkeit, symbolische Strukturen gezielt in kontinuierlichen Lernumgebungen zu nutzen. Damit wird ein principielles Verfahren vorgestellt, das effizientes Lernen in komplexen Settings ermöglicht.