随机反应式系统的主动模型学习（扩展版）

基于摘要分析。本文研究如何通过与黑盒随机反应式系统交互，自动推断可供形式化验证使用的模型。核心贡献是改进面向 Markov decision processes 的 L* 学习方法，并将其扩展至 stochastic Mealy machines，以降低模型学习成本并提高所学模型的准确性。 技术背景与机制：模型检查等验证技术依赖形式化模型，但现实系统的模型可能不存在或已经过时。主动自动机学习通过系统交互推断模型，为这一问题提供解决路径。本文的研究对象是具有随机行为的反应式系统，而非 EEG 信号建模，也不能因来源栏目为 State space models 就将其视为神经网络中的状态空间模型方法。摘要指出，既有研究主要聚焦确定性系统，本文则针对随机系统调整 L* 学习框架；具体查询策略、随机行为的估计方式、优化步骤及终止条件尚未验证。 结果与证据边界：作者报告，在与既有工作的评估比较中，所提出的优化及对 stochastic Mealy machines 的适配可将学习成本降低一个数量级，同时提高所学模型的准确性。摘要未提供任务规模、具体基线、成本计量方式或准确性指标，因此这一结果只能保留在文中所述比较背景下，不能换算为具体分数或推广到其他协议。实验协议、消融及统计信息尚未验证。 与 BCI 的关系：材料未提供神经信号数据、BCI 实验，或将该方法用于 EEG/BCI 的具体机制对应，因此不据此生成信号解码迁移结论或复现实验建议。进一步评估原方法需核对全文中的系统交互条件、模型表示、评估设置及实现可得性；摘要未说明代码发布情况。