Learning Restricted Restarting Automata using Genetic Algorithm

Abstract

Restartovací automaty jsou lingvisticky motivované modely pro reprezentaci jazyků. Hlavním cílem této práce je navrhnout vhodnou variantu restartovacího automatu pro učení jazyků z pozitivních a negativních příkladů pomocí genetických algoritmů. Dále je v práci vymezena třída jazyků rozpoznávaných nově zavedenými restartovacími automaty s ohledem na Chomského hierarchii. Navrhnutý učící algoritmus je porovnán se dvěma známými metodami pro učení jazyků z pozitivních a negativních příkladů - RPNI a LARS. Součástí práce je i nástroj pro učení restartovacích automatů s omezeným kontextem včetně příkladů a návodu k použití.

Restarting automata are linguistically motivated models for language representation. The main goal of this work is to propose a suitable version of restarting automaton for learning from positive and negative samples using genetic algorithms. We also characterize the class of languages accepted by limited context restarting automata with respect to the Chomsky hierarchy. The proposed learning algorithm is compared to two well-known methods for learning languages from positive and negative samples - RPNI and LARS. A tool for learning the restricted version of restarting automaton is developed as a part of this work. Examples of usage and user guide are included in this work.