Core Concepts
V-Star ist ein neuartiges Grammatiklerntool, das sichtbar pushdown-Automaten aus Beispieleingaben lernt. Es nutzt ein innovatives Verfahren basierend auf Verschachtelungsmustern, um Aufruf- und Rückgabesymbole zu identifizieren und so die Genauigkeit des Lernprozesses zu verbessern.
Abstract
V-Star ist ein neuartiges Grammatiklerntool, das sichtbar pushdown-Automaten (VPA) aus Beispieleingaben lernt. Es besteht aus mehreren zentralen Schritten:
Zunächst wird ein Algorithmus vorgestellt, der VPAs lernt, wenn die Aufruf- und Rückgabesymbole bekannt sind. Dieser Algorithmus nutzt 푘-SEVPA-Kongruenzrelationen, um eine minimale VPA zu konstruieren.
Anschließend wird ein Algorithmus entwickelt, der die Aufruf- und Rückgabesymbole aus den Beispieleingaben ableitet. Dieser Algorithmus basiert auf einer neuartigen Idee von Verschachtelungsmustern.
Der Algorithmus wird dann so erweitert, dass er auch Fälle behandeln kann, in denen die Aufruf- und Rückgabesymbole nicht einzelne Zeichen, sondern Tokensequenzen sind.
Schließlich wird gezeigt, wie Äquivalenzanfragen durch Stichprobenabfragen simuliert werden können, um die Anzahl der benötigten Äquivalenzanfragen zu reduzieren.
Insgesamt ermöglicht V-Star das genaue Lernen von VPAs aus Beispieleingaben, ohne dass a priori bekannt ist, welche Zeichen oder Tokens als Aufruf- und Rückgabesymbole dienen. Die Evaluation zeigt, dass V-Star praktische Grammatiken wie XML, JSON und S-Ausdrücke effektiv und effizient lernen kann und dabei andere state-of-the-art-Werkzeuge übertrifft.
Stats
Keine relevanten Statistiken oder Kennzahlen im Artikel.
Quotes
Keine hervorstechenden Zitate im Artikel.