Partition refinement is a method for minimizing automata and transition systems of various types. Recently, we have developed a partition refinement algorithm that is generic in the transition type of the given system and matches the run time of the best known algorithms for many concrete types of systems, e.g.~deterministic automata as well as ordinary, weighted, and probabilistic (labelled) transition systems. Genericity is achieved by modelling transition types as functors on sets, and systems as coalgebras. In the present work, we refine the run time analysis of our algorithm to cover additional instances, notably weighted automata and, more generally, weighted tree automata. For weights in a cancellative monoid we match, and for non-cancellative monoids such as (the additive monoid of) the tropical semiring even substantially improve, the asymptotic run time of the best known algorithms. We have implemented our algorithm in a generic tool that is easily instantiated to concrete system types by implementing a simple refinement interface. Moreover, the algorithm and the tool are modular, and partition refiners for new types of systems are obtained easily by composing pre-implemented basic functors. Experiments show that even for complex system types, the tool is able to handle systems with millions of transitions.


翻译:部分精细化是最大限度地减少各种类型的自动和过渡系统的一种方法。 最近, 我们开发了一种在给定系统过渡类型中通用的分区精细算法, 与许多具体类型系统最已知的算法运行时间相匹配, 例如 ~ 确定性自动和系统以及普通、 加权和概率( 标签) 过渡系统。 通用性是通过在机组中模拟过渡类型作为随身随身, 和作为煤星仪的系统实现的。 在目前的工作中, 我们改进了我们的算法运行时间分析, 以涵盖更多的实例, 特别是加权自动和( 更一般地说) 加权树自动。 对于我们匹配的可喜单项型系统中的加权算法, 以及热带半态( 添加单项) 等非加速性单项系统的运行时间, 甚至是大幅改进的( 添加单项) 。 最佳已知算法的无症状运行时间。 我们用一种通用工具应用了我们的算法, 通过安装简单的精细界面, 将我们的算法转化为具体系统类型。 此外, 算法和工具是模块模块, 甚至对新型系统进行快速的易化的易化工具。

0
下载
关闭预览

相关内容

【普林斯顿大学-微软】加权元学习,Weighted Meta-Learning
专知会员服务
39+阅读 · 2020年3月25日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
分布式并行架构Ray介绍
CreateAMind
9+阅读 · 2019年8月9日
Gartner:2019 年 MSP 魔力象限
云头条
15+阅读 · 2019年3月6日
弱监督语义分割最新方法资源列表
专知
9+阅读 · 2019年2月26日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
已删除
将门创投
4+阅读 · 2018年11月20日
Jointly Improving Summarization and Sentiment Classification
黑龙江大学自然语言处理实验室
3+阅读 · 2018年6月12日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
19+阅读 · 2021年1月14日
VIP会员
相关VIP内容
相关资讯
分布式并行架构Ray介绍
CreateAMind
9+阅读 · 2019年8月9日
Gartner:2019 年 MSP 魔力象限
云头条
15+阅读 · 2019年3月6日
弱监督语义分割最新方法资源列表
专知
9+阅读 · 2019年2月26日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
已删除
将门创投
4+阅读 · 2018年11月20日
Jointly Improving Summarization and Sentiment Classification
黑龙江大学自然语言处理实验室
3+阅读 · 2018年6月12日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员