Computing Semicommutation Closures: a Machine Learning Approach

Maxime Bride 1 Pierre-Cyrille Héam 2, 1 Isabelle Jacques 2
1 CASSIS - Combination of approaches to the security of infinite states systems
FEMTO-ST - Franche-Comté Électronique Mécanique, Thermique et Optique - Sciences et Technologies (UMR 6174), Inria Nancy - Grand Est, LORIA - FM - Department of Formal Methods
Abstract : Semicommutation relations are simple rewriting relation on finite words using rules of the form ab → ba. In this paper we present how to use Angluin style machine learning algorithms to compute the image of regular language by the transitive closure of a semicommutation relation.
Type de document :
Rapport
[Research Report] FEMTO-ST. 2014
Liste complète des métadonnées

Littérature citée [31 références]  Voir  Masquer  Télécharger

https://hal.inria.fr/hal-01087740
Contributeur : Pierre-Cyrille Heam <>
Soumis le : mardi 2 décembre 2014 - 10:37:17
Dernière modification le : vendredi 6 juillet 2018 - 15:06:10
Document(s) archivé(s) le : mardi 3 mars 2015 - 10:05:31

Fichiers

mainLearning.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-01087740, version 1

Citation

Maxime Bride, Pierre-Cyrille Héam, Isabelle Jacques. Computing Semicommutation Closures: a Machine Learning Approach. [Research Report] FEMTO-ST. 2014. 〈hal-01087740〉

Partager

Métriques

Consultations de la notice

283

Téléchargements de fichiers

173