Counterexample Explanation by Learning Small Strategies in Markov Decision Processes (2015)výskyt výsledku
| Identifikační kód | RIV/00216224:14330/15:00080918 |
|---|---|
| Název v anglickém jazyce | Counterexample Explanation by Learning Small Strategies in Markov Decision Processes |
| Druh | D - Článek ve sborníku |
| Jazyk | eng - angličtina |
| Obor - skupina | I - Informatika |
| Obor | IN - Informatika |
| Rok uplatnění | 2015 |
| Kód důvěrnosti údajů | S - Úplné a pravdivé údaje o výsledku nepodléhající ochraně podle zvláštních právních předpisů. |
| Počet výskytů výsledku | 1 |
| Počet tvůrců celkem | 5 |
| Počet domácích tvůrců | 2 |
| Výčet všech uvedených jednotlivých tvůrců | Tomáš Brázdil (státní příslušnost: CZ - Česká republika, domácí tvůrce: A, vedidk: 1762834) Krishnendu Chatterjee (státní příslušnost: IN - Indická republika) Martin Chmelík (státní příslušnost: CZ - Česká republika, vedidk: 7692005) Andreas Fellner (státní příslušnost: AT - Rakouská republika) Jan Křetínský (státní příslušnost: CZ - Česká republika, domácí tvůrce: A, vedidk: 3503054) |
| Popis výsledku v anglickém jazyce | For deterministic systems, a counterexample to a property can simply be an error trace, whereas counterexamples in probabilistic systems are necessarily more complex. For instance, a set of erroneous traces with a sufficient cumulative probability mass can be used. Since these are too large objects to understand and manipulate, compact representations such as subchains have been considered. In the case of probabilistic systems with non-determinism, the situation is even more complex. While a subchain for a given strategy (or scheduler, resolving non-determinism) is a straightforward choice, we take a different approach. Instead, we focus on the strategy itself, and extract the most important decisions it makes, and present its succinct representation.The key tools we employ to achieve this are (1) introducing a concept of importance of a state w.r.t. the strategy, and (2) learning using decision trees. There are three main consequent advantages of our approach. |
| Klíčová slova oddělená středníkem | stochastic systems; verification; machine learning; decision tree |
| Stránka www, na které se nachází výsledek | - |
| DOI výsledku | 10.1007/978-3-319-21690-4_10 |
Údaje o výsledku v závislosti na druhu výsledku
| Název sborníku | Computer Aided Verification: 27th International Conference, CAV 2015 |
|---|---|
| ISBN | 9783319216898 |
| ISSN | 0302-9743 |
| Počet stran výsledku | 20 |
| Strana od-do | 158-177 |
| Název nakladatele | Springer |
| Místo vydání | Cham |
| Místo konání akce | Cham |
| Datum konání akce | 2015 |
| Typ akce podle státní příslušnosti účastníků | WRD - Celosvětová |
| Kód UT WoS článku podle Web of Science | - |
Ostatní informace o výsledku
| Předkladatel | Masarykova univerzita / Fakulta informatiky |
|---|---|
| Dodavatel | GA0 - Grantová agentura České republiky (GA ČR) |
| Rok sběru | 2016 |
| Specifikace | RIV/00216224:14330/15:00080918!RIV16-GA0-14330___ |
| Datum poslední aktualizace výsledku | 17.05.0016 |
| Kontrolní číslo | 191739263 |
Odkazy na výzkumné aktivity, při jejichž řešení výsledek vznikl
| Projekt podporovaný GA ČR v programu GB | GBP202/12/G061 - Centrum excelence - Institut teoretické informatiky (CE-ITI) (2012 - 2018) |
|---|