Learning Automata Using Dimensional Reduction
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F22%3A10456345" target="_blank" >RIV/00216208:11320/22:10456345 - isvavai.cz</a>
Výsledek na webu
<a href="https://doi.org/10.1007/978-3-031-22419-5_4" target="_blank" >https://doi.org/10.1007/978-3-031-22419-5_4</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-031-22419-5_4" target="_blank" >10.1007/978-3-031-22419-5_4</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Learning Automata Using Dimensional Reduction
Popis výsledku v původním jazyce
One-dimensional (string) formal languages and their learning have been studied in considerable depth. However, the knowledge of their two-dimensional (picture) counterpart, which retains similar importance, is lacking. We investigate the problem of learning formal two-dimensional picture languages by applying learning methods for one-dimensional (string) languages. We formalize the transcription process from an input two-dimensional picture into a string and propose a few adaptations to it. These proposals are then tested in a series of experiments, and their outcomes are compared. Finally, these methods are applied to a practical problem and learn an automaton for recognizing a part of the MNIST dataset. The obtained results show improvements in the topic and the potential in using the learning of automata in fitting problems.
Název v anglickém jazyce
Learning Automata Using Dimensional Reduction
Popis výsledku anglicky
One-dimensional (string) formal languages and their learning have been studied in considerable depth. However, the knowledge of their two-dimensional (picture) counterpart, which retains similar importance, is lacking. We investigate the problem of learning formal two-dimensional picture languages by applying learning methods for one-dimensional (string) languages. We formalize the transcription process from an input two-dimensional picture into a string and propose a few adaptations to it. These proposals are then tested in a series of experiments, and their outcomes are compared. Finally, these methods are applied to a practical problem and learn an automaton for recognizing a part of the MNIST dataset. The obtained results show improvements in the topic and the potential in using the learning of automata in fitting problems.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach<br>I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace
Ostatní
Rok uplatnění
2022
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Advances in Artificial Intelligence - {IBERAMIA} 2022 - 17th Ibero-American Conference on AI, Cartagena de Indias, Colombia, November 23-25, 2022, Proceedings
ISBN
978-3-031-22418-8
ISSN
0302-9743
e-ISSN
1611-3349
Počet stran výsledku
12
Strana od-do
41-52
Název nakladatele
Springer
Místo vydání
Berlin
Místo konání akce
Cartagena de Indias, Colombia
Datum konání akce
23. 11. 2022
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—