arXiv 1102.09472011-02-04cs.FL

剪接系统和乔姆斯基等级

Splicing systems and the Chomsky hierarchy

Jean Berstel, Luc Boasson, Isabelle Fagnot

摘要：

在本文中，我们证明了可判定性的性质和新的结果所产生的（循环）拼接系统的乔姆斯基层次内的语言家庭的位置。本文的两个主要结果如下。首先，我们证明了它是可判定的，给定一个循环拼接语言和一个正则语言，无论它们是否相等。其次，我们证明了由字母拼接系统生成的语言是上下文无关的。字母剪接系统是文献中已经考虑的简单和半简单剪接系统的推广。

英文摘要：

In this paper, we prove decidability properties and new results on the position of the family of languages generated by (circular) splicing systems within the Chomsky hierarchy. The two main results of the paper are the following. First, we show that it is decidable, given a circular splicing language and a regular language, whether they are equal. Second, we prove the language generated by an alphabetic splicing system is context-free. Alphabetic splicing systems are a generalization of simple and semi-simple splicin systems already considered in the literature.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

一类平面拼接系统的派生语言、概念复杂性测度及决策问题

Derivation languages, descriptional complexity measures and decision problems of a class of flat splicing systems

在本文中，我们将派生语言的思想与平面拼接系统相关联，并将这些系统的派生语言家族（Szilard和控制语言）与Chomsky层次结构中的语言家族进行比较。我们证明了$( m, n)$型标记平坦有限拼接系统的Szilard语言族（即，$SZLS_{n, FIN}^{m}$）和$REG$、$CF$和$CS$是不可比的。而且，对于任何规则语言$R$和标记平面有限拼接系统$\mathscr{LS}$，是否是$SZ_{n, FIN}^{m}(\mathscr{LS}) \subseteq R$和$R \subseteq SZ_{n, FIN}^{m}(\mathscr{LS})$是可判定的。任何非空的正则、非空的上下文无关和递归可重写的语言都可以分别作为$(1, 2), (2, 2)$和$(4, 2)$型标记平坦有限拼接系统的Szilard语言的同态象而得到。我们还介绍了标记平面有限拼接系统的控制语言的思想，并表明，任何非空的正则和上下文无关的语言可以得到作为一个控制语言的标记平面有限拼接系统的类型$(1,2)$和$(2, 2)$分别。最后，我们证明了当$λ$标记规则被允许时，任何递归可编译语言都可以作为$(4,2)$型标记平面有限拼接系统的控制语言。

2019-05-21cs.FL

神经网络和乔姆斯基层次

Neural Networks and the Chomsky Hierarchy

DeepMind；Stanford University（斯坦福大学）

可靠的泛化是安全ML和AI的核心。然而，理解神经网络何时以及如何泛化仍然是该领域最重要的未解决问题之一。在这项工作中，我们进行了广泛的实证研究（20'910模型，15个任务），以调查是否从计算理论的见解可以预测在实践中的神经网络泛化的限制。我们证明，根据乔姆斯基层次结构的分组任务，使我们能够预测某些架构是否能够概括的分布输入。这包括负面结果，即使大量的数据和训练时间也不会导致任何非平凡的泛化，尽管模型具有足够的能力来完美地拟合训练数据。我们的研究结果表明，对于我们的任务子集，RNN和Transformers无法概括非常规任务，LSTM可以解决常规和反语言任务，只有结构化记忆（如堆栈或记忆磁带）增强的网络才能成功概括上下文无关和上下文敏感的任务。

2023-02-28cs.AIcs.CLcs.FL

用确定性上下文无关语言实现模拟神经元层次的更强分离

Stronger Separation of Analog Neuron Hierarchy by Deterministic Context-Free Languages

我们分析了具有饱和线性激活函数的离散时间递归神经网络（NN）的计算能力。这个模型限制为整数权重符合二进制状态的神经网络与Heaviside激活函数，这是等价的有限自动机（乔姆斯基3级）识别正则语言（REG），而合理的权重使这个模型图灵完全，甚至为三个模拟状态单元（乔姆斯基0级）。对于一个二进制状态神经网络的中间模型$α$ ANN，扩展与$α\geq 0$额外的模拟状态神经元与合理的权重，我们已经建立了模拟神经元层次0ANNs $\subset$ 1ANNs $\subset$ 2ANNs $\subseteq$ 3ANNs。非正则确定性上下文无关语言（DCFL）$L_\#=\{0^n1^n\mid n\geq 1\}$证明了1ANN $\subsetneqq$ 2ANN的分离，即使使用实权重，也不能被任何1ANN识别，而任何DCFL（Chomsky级别2）都可以被具有合理权重的2ANN接受。在本文中，我们通过证明任何非正则DCFL都不能被具有实权重的1个ANN识别来加强这种分离，这意味着（DCFL $\setminus$ REG）$\subset$（2个ANN $\setminus$ 1个ANN），这意味着1个ANN $\cap$ DCFL = 0个ANN。为此，我们通过将$L_\#$简化为该类中的任何语言，证明了$L_\#$是最简单的非正则DCFL，这本身就是可计算性理论中一个有…

2021-02-02cs.FLcs.NE