利用循环神经网络学习最小自动机

基于摘要分析。本文研究如何利用循环神经网络学习有限自动机：目标不仅是预测自动机可观测的行为，还包括恢复其状态集合与转移结构，并在状态数未知时学习最小自动机。 方法上，作者通过特定正则化项约束训练，并迭代调整网络架构，以寻找能够表达目标自动机的适当结构。摘要将这种受约束训练与架构迭代作为区别于既有工作的主要机制，但未给出正则化形式、架构调整规则、状态与转移的提取过程，以及最小性如何判定，相关细节尚未验证。 评估涵盖自动机学习文献中的标准示例，以及从真实 Bluetooth Low Energy 协议实现中学习有限状态模型的案例。作者报告，在所考察的全部案例中，均能找到适当架构并学习到正确的最小自动机。该结论限于摘要所述案例；案例数量、输入输出数据构造、数据划分、对照方法、重复运行稳定性、消融及统计信息尚未验证。 本文的主要对象是离散系统与协议行为建模，而非 EEG 信号解码或 BCI。现有材料未建立其有限状态结构恢复机制与 EEG 任务之间的具体对应关系，因此不能据此推断 BCI 有效性；已有 EEG 相关工作尚未检索确认。复现需进一步核对完整训练目标、架构搜索或调整流程、终止条件，以及自动机等价性与最小性的验证方式。