通过隐藏状态分区从 RNN 中学习加权自动机

基于摘要分析。本文针对 RNN 隐藏状态难以解释的问题，在标准 L* 主动学习框架下提取加权有限自动机（Weighted Finite Automata，WFAs），核心贡献是借助隐藏状态空间的迭代分区，比较候选 WFA 与原 RNN 的行为并回答等价查询。 方法逐步细化 RNN 隐藏状态分区，直至各分区得到充分探索且相对方差较小。分区用于引导搜索候选 WFA 与 RNN 之间的反例，并在未发现显著差异时提供实用停止判据。作者称在适当条件下给出了提取过程正确性与终止性的理论保证；具体条件、相对方差的定义、探索充分性的判定及误差容限尚未验证。 在与既有 RNN 到 WFA 提取方法的实验比较中，作者报告该方法能够高效提取紧凑且对原 RNN 具有高保真度的 WFA，并且提取时间通常显著降低。摘要未提供任务、数据集、RNN 结构、基线名称或量化指标，实验协议、消融及统计信息尚未验证。这里的保真度指对原 RNN 行为的近似，不等同于原任务准确率提高。 平台推测（待验证）：该机制可作为分析 EEG 序列 RNN 决策行为的候选工具，而非已验证的 BCI 解码方法。迁移假设依赖于将 EEG 输入表示为适合自动机查询的序列，并能访问 RNN 隐藏状态及输出；可复用分区细化与反例搜索，需改造输入编码和行为差异度量。连续高维输入、低信噪比及跨被试差异可能使分区膨胀，离散化也可能丢失任务信息。可先在固定被试内划分、冻结的 EEG RNN 上比较不同分区阈值下的 WFA 规模、提取时间与独立测试序列上的输出保真度，检验紧凑性与保真度能否兼得。已有 EEG 相关工作尚未检索确认。