从循环神经网络中学习有限状态模型

基于摘要分析。本文研究如何解释和验证循环神经网络（RNN）分类器的行为，采用主动自动机学习与模型引导的一致性测试，以黑盒方式提取描述其输入—输出行为的有限状态机（FSM），而非分析网络内部结构。 核心机制是学习候选有限状态模型，并利用模型引导的一致性测试寻找候选模型与被测 RNN 行为不一致的反例。作者报告，在与其他 FSM 提取方法的比较实验中，该方法能发现其他方法遗漏的不精确泛化，并通过反例推翻其他技术学到的错误假设模型，从而获得更准确的 RNN 行为描述。作者还指出，这类测试可用于寻找因不当泛化而被错误分类的对抗输入。候选模型与 RNN 不一致、RNN 预测与真实标签不一致是不同问题，二者在实验中的判定依据需查阅全文核对。 摘要未提供具体任务、输入字母表、RNN 配置、查询成本、对照方法名称或量化结果；实验协议、消融及统计信息尚未验证。复现时需核对黑盒查询接口、序列重置条件、一致性测试策略及停止准则。 平台推测（待验证）：若 EEG 时序分类器的输入能够转为有限符号序列，该方法可能用于检查其序列决策规则与异常泛化，而非直接提高解码性能。可复用主动学习和反例测试框架，但需改造连续信号的符号化与查询接口；低信噪比、通道变化及跨被试分布差异可能使符号化不稳定，或使有限状态模型规模膨胀。一个可检验的小实验是在固定被试与会话条件下，对同一 EEG RNN 比较不同符号化粒度，并在相同查询预算下检验提取模型对独立序列的预测一致率及反例有效性。相关 EEG 工作尚未检索确认。