CHARDA：基于动态分析的因果混合自动机恢复
人工智能
2017-07-12 v1
摘要
我们提出并评估了一种通过观测动态系统运行时行为自动学习混合自动机的新技术。根据连续状态值序列和关于环境的谓词，CHARDA恢复不同的动态模式，从给定模板集合为每个模式学习一个模型，并假设触发模式间转移的因果守护条件。我们的主要贡献是使用信息论度量（1）作为数据分割和模型选择的代价函数以惩罚过拟合，以及（2）确定每次转移的可能原因。CHARDA可轻松扩展不同的模型模板、拟合方法或谓词类。我们在复杂视频游戏角色上的实验成功地发现了该角色真实行为的合理过近似。我们的结果也优于近期在飞机领域中自动学习概率时间自动机的工作：CHARDA精确地学习了这些更简单自动机的模式。
引用
@article{arxiv.1707.03336,
title = {CHARDA: Causal Hybrid Automata Recovery via Dynamic Analysis},
author = {Adam Summerville and Joseph Osborn and Michael Mateas},
journal= {arXiv preprint arXiv:1707.03336},
year = {2017}
}
备注
7 pages, 2 figures. Accepted for IJCAI 2017