🤖 machine learning

SMT-Based Active Learning of Weighted Automata

यह शोधपत्र नॉनडिटरमिनिस्टिक वेटेड ऑटोमेटा के लिए एक पैरामीट्रिक, SMT-आधारित एक्टिव लर्निंग एल्गोरिदम प्रस्तुत करता है जो न्यूनतम परिणाम सुनिश्चित करता है, परिमित सेमिंग (finite semirings) के लिए समाप्ति की गारंटी देता है, और व्यापक प्रयोगों में मौजूदा विधियों की तुलना में बेहतर दक्षता और संक्षिप्तता प्रदर्शित करता है।

मूल लेखक: Tiago Ferreira, Kevin Batz, Alexandra Silva

प्रकाशित 2026-05-11

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Tiago Ferreira, Kevin Batz, Alexandra Silva

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक रोबोट को भूलभुलैया (maze) में रास्ता खोजना सिखाने की कोशिश कर रहे हैं, लेकिन आप भूलभुलैया का लेआउट नहीं जानते। आप रोबोट से दो प्रकार के प्रश्न पूछ सकते हैं:

"अगर मैं इस रास्ते पर जाऊं तो क्या होगा?" (रोबोट आपको परिणाम बताएगा, जैसे "मैं फंस गया" या "मुझे 5 स्वर्ण मुद्राएं वाला खजाना मिला।")
"क्या आपके द्वारा बनाया गया यह नक्शा सही है?" (रोबोट आपके नक्शे की वास्तविक भूलभुलैया से तुलना करेगा और कहेगा "हाँ" या "नहीं, आपने यहाँ एक मोड़ छोड़ दिया है।")

यह एक्टिव लर्निंग (Active Learning) का मूल विचार है: एक एल्गोरिदम जो एक "शिक्षक" (वास्तविक सिस्टम) से स्मार्ट सवाल पूछकर एक मॉडल सीखता है।

लंबे समय तक, ये लर्निंग एल्गोरिदम सरल "हाँ/नहीं" वाली भूलभुलैया (जैसे: क्या यह दरवाजा खुला है या बंद?) के लिए बहुत अच्छा काम करते थे। लेकिन वास्तविक दुनिया के सिस्टम अधिक जटिल होते हैं। इनमें वेट्स (weights) शामिल होते हैं: लागत, संभावनाएँ, या समय। उदाहरण के लिए, "निकास तक पहुँचने का सबसे सस्ता तरीका क्या है?" या "टकराने की संभावना कितनी है?"

यह पेपर इन वेटेड ऑटोमेटा (Weighted Automata) (संख्याओं वाले रास्तों वाली भूलभुलैया) को सिखाने का एक नया, शक्तिशाली तरीका पेश करता है।

पुराना तरीका: "टेबल" विधि

पहले, शोधकर्ताओं ने विशाल तालिकाओं (जिन्हें हेंकेल मैट्रिसेस कहा जाता है) पर आधारित एक विधि का उपयोग किया था। कल्पना कीजिए कि आप एक पहेली को हल करने की कोशिश कर रहे हैं जहाँ हर सेल जटिल बीजगणितीय नियमों पर निर्भर करता है।

समस्या: यह स्प्रेडशीट विधि बहुत उलझ जाती है और इसे हल करना कठिन हो जाता है जब संख्याएँ केवल साधारण पूर्णांक (integers) नहीं होती हैं। यह अक्सर सबसे सरल संभव नक्शा खोजने में विफल रहती है, या यह साबित करने में फंस जाती है कि यह काम पूरा कर सकती है। यह एक रूबिक क्यूब को हल करने के लिए कागज पर उसके हर संभावित मूव को लिखने जैसा है; यह छोटे क्यूब के लिए काम करता है लेकिन बड़े क्यूब के लिए असंभव हो जाता है।

नया तरीका: "SMT" विधि

लेखक एक अलग दृष्टिकोण प्रस्तावित करते हैं: कॉन्स्ट्रेंट सॉल्विंग (Constraint Solving)। स्प्रेडशीट भरने के बजाय, वे लर्निंग समस्या को एक विशाल लॉजिक पजल (तर्क पहेली) में बदल देते हैं।

उपमा: जासूस और SMT सॉल्वर
कल्पना कीजिए कि आप एक जासूस हैं जो गवाहों के बयानों (शिक्षक के उत्तरों) के आधार पर एक अपराध स्थल (भूलभुलैया) को फिर से बनाने की कोशिश कर रहे हैं।

परिकल्पना (Hypothesis): आप एक संदिग्ध और एक टाइमलाइन का अनुमान लगाते हैं (कुछ अवस्थाओं वाला एक छोटा नक्शा)।
प्रतिबंध (Constraints): आप नियमों की एक सूची लिखते हैं: "यदि संदिग्ध बैंक में था, तो उसे शाम 5 बजे तक निकलना ही था," या "चोरी की गई कुल राशि $100 के बराबर होनी चाहिए।"
SMT सॉल्वर: यह एक सुपर-स्मार्ट कंप्यूटर प्रोग्राम (जैसे एक लॉजिक इंजन) है जो यह जांचता है कि क्या आपके नियम समझ में आते हैं। यह पूछता है, "क्या संदिग्ध की गतिविधियों को इस तरह व्यवस्थित करने का कोई तरीका है जिससे ये सभी नियम सत्य हों?"
- यदि हाँ: तो सॉल्वर आपको एक वैध नक्शा देता है।
- यदि नहीं: तो यह आपको बताता है कि आपका नक्शा असंभव है।

पेपर का एल्गोरिदम इस तरह काम करता है:

यह एक बहुत ही छोटे, सरल नक्शे से शुरू होता है।
यह विशिष्ट रास्तों के लिए शिक्षक से उत्तर मांगता है।
यह इन उत्तरों को गणितीय नियमों के एक सेट के रूप में SMT सॉल्वर में फीड करता है।
सॉल्वर उन सभी नियमों के अनुकूल एक नक्शा खोजने का प्रयास करता है।
यदि शिक्षक कहता है, "नहीं, वह नक्शा गलत है क्योंकि वह इस विशिष्ट पथ पर विफल रहता है," तो एल्गोरिदम उस पथ को नियमों में जोड़ देता है और सॉल्वर से फिर से प्रयास करने के लिए कहता है।

यह बेहतर क्यों है?

पेपर तीन मुख्य लाभों का दावा करता है, जिन्हें सरल रूप में समझाया गया है:

1. यह हमेशा सबसे छोटा नक्शा खोजता है (मिनिमलिटी)
पुराने तरीके कभी-कभी आपको 10 कमरों वाला नक्शा दे देते थे जबकि 3 कमरों वाला नक्शा भी काम कर सकता था। नया SMT तरीका नियमों के अनुकूल सबसे छोटा संभव नक्शा खोजने के लिए डिज़ाइन किया गया है। यह एक रूट खोजने के बजाय सबसे कुशल रूट खोजने जैसा है।

2. यह "अजीब" गणित के साथ काम करता है
पुराने तरीके जटिल संख्या प्रणालियों (जैसे "ट्रॉपिकल" गणित, जहाँ आप संख्याओं को जोड़ते हैं लेकिन न्यूनतम लेते हैं, या "बॉटलनेक" गणित) के साथ संघर्ष करते थे। नया तरीका इन "अजीब" गणित प्रणालियों को लॉजिक पहेलियों में बदलकर संभाल सकता है जिन्हें कंप्यूटर सॉल्वर समझ सके। यह एक सार्वभौमिक अनुवादक होने जैसा है जो जटिल गणित को सरल "सही/गलत" प्रश्नों में बदल सकता है।

3. यह तेज़ है और इसमें कम प्रश्न पूछने पड़ते हैं
अपने प्रयोगों में, नया तरीका पुराने "टेबल" तरीके की तुलना में जटिल नक्शों को बहुत तेज़ी से सीख गया। इसे सही उत्तर पाने के लिए शिक्षक से कम प्रश्न पूछने पड़े।

"नेइव" (Naive) बेसलाइन: उन्होंने अपने तरीके की तुलना एक "बेवकूफ़" संस्करण से की जो केवल रैंडम अनुमान लगाता है। नया तरीका बहुत बेहतर था।
"स्टेट-ऑफ-द-आर्ट" प्रतियोगी: उन्होंने इसे सबसे अच्छे मौजूदा तरीके से तुलना की। नए तरीके ने काफी छोटे नक्शे बनाए (कभी-कभी 10 गुना छोटे!) और फिर भी एक उचित समय में काम पूरा किया।

"जादुई" सामग्री: SMT सॉल्वर

असली जादू SMT सॉल्विंग (सैटिस्फिएबिलिटी मोड्यूलो थीयर्स) है। एक SMT सॉल्वर को एक सुपर-पावर्ड लॉजिक चेकर के रूप में सोचें। यह केवल यह नहीं जांचता कि एक वाक्य सत्य है या नहीं; यह जांचता है कि क्या गणित के जटिल नियमों का एक सेट एक साथ सत्य हो सकता है।

लेखकों ने सिद्ध किया कि कई प्रकार के गणितीय सिस्टम (जिनमें सीमित और कुछ अनंत सिस्टम भी शामिल हैं) के लिए, यह लॉजिक पहेली हल करने योग्य है।
उन्होंने दिखाया कि यदि गणित प्रणाली सीमित है (जैसे संख्याओं का एक सीमित सेट), तो एल्गोरिदम के पूरा होने की गारंटी है।

सारांश

यह पेपर कंप्यूटर को जटिल, वेटेड सिस्टम को समझने के लिए सिखाने का एक नया तरीका प्रस्तुत करता है। पुराने, बोझिल स्प्रेडशीट तरीकों के बजाय, उन्होंने समस्या को एक लॉजिक पहेली में बदल दिया जिसे एक आधुनिक कंप्यूटर सॉल्वर हल कर सकता है।

परिणाम: यह सबसे सरल मॉडल पाता है।
परिणाम: यह पहले की तुलना में अधिक विविध गणित प्रणालियों पर काम करता है।
परिणाम: यह पिछले तरीकों की तुलना में तेज़ है और कम प्रश्न पूछता है।

लेखकों ने हजारों उदाहरणों पर इसका परीक्षण किया और पाया कि यह इन जटिल प्रणालियों को सीखने के लिए एक मजबूत, व्यावहारिक उपकरण है, जो पिछले दशक में उपयोग किए जाने वाले तरीकों के लिए एक मजबूत विकल्प प्रदान करता है।

तकनीकी सारांश: वेटेड ऑटोमेटा का SMT-आधारित एक्टिव लर्निंग

समस्या विवरण

एक्टिव ऑटोमेटा लर्निंग, जिसकी शुरुआत एंग्लुइन (Angluin) के $L^\star$ एल्गोरिदम से हुई थी, फॉर्मल वेरिफिकेशन में अज्ञात घटकों के मॉडल को अनुमानित करने के लिए एक मानक तकनीक बन गई है। जबकि $L^\star$ -शैली की विधियाँ बूलियन ऑटोमेटा (डिटरमिनिस्टिक और नॉन-डिटरमिनिस्टिक) के लिए स्थापित हैं, वेटेड फाइनाइट ऑटोमेटा (WFAs) के लिए उन्हें विस्तारित करना काफी चुनौतीपूर्ण सिद्ध हुआ है। WFAs ट्रांजिशन को एक सेमीरिंग (semiring) से भार (weights) प्रदान करके बूलियन ऑटोमेटा का सामान्यीकरण करते हैं, जिससे लागत (cost), प्रायिकता (probability) और संसाधन खपत (resource consumption) जैसे मात्रात्मक गुणों का मॉडलिंग संभव हो पाता है।

WFAs को सीखने के मौजूदा दृष्टिकोण हेंकेल मैट्रिक्स (Hankel matrix) या ऑब्जर्वेशन टेबल (जैसे $WL^\star$ ) के सामान्यीकरण पर निर्भर करते हैं। इन विधियों के लिए अंतर्निहित सेमीरिंग की बीजगणितीय संरचना (algebraic structure) के बारे में तर्क करने की आवश्यकता होती है। फलस्वरूप, समाप्ति (termination) और न्यूनता (minimality) को सिद्ध करना सूक्ष्म है और अक्सर विशिष्ट बीजगणितीय वर्गों (जैसे फील्ड्स, प्रिंसिपल आइडियल डोमेन) तक ही सीमित रहता है। कई व्यावहारिक रूप से प्रासंगिक सेमीरिंग्स के लिए, जैसे कि ट्रॉपिकल (Tropical) सेमीरिंग या बॉटलनेक (Bottleneck) सेमीरिंग, समाप्ति की गारंटी अज्ञात है या वे न्यूनतम ऑटोमेटा सुनिश्चित नहीं करती हैं। इसके अलावा, मौजूदा एल्गोरिदम अक्सर गैर-न्यूनतम मॉडल उत्पन्न करते हैं या अनंत सेमीरिंग्स पर प्रभावी ढंग से स्केल करने में विफल रहते हैं।

कार्यप्रणाली

लेखक एक नवीन, कन्स्ट्रेंट-आधारित एक्टिव लर्निंग एल्गोरिदम प्रस्तावित करते हैं जो लर्निंग समस्या को सीधे एक संतुष्टि समस्या (satisfiability problem) के रूप में प्रस्तुत करता है जिसे SMT (सैटिस्फिएबिलिटी मोड लो थ्योरीज) सॉल्वर द्वारा हल किया जा सकता है।

मुख्य दृष्टिकोण

ऑब्जर्वेशन टेबल को रिफाइन करने के बजाय, एल्गोरिदम दिए गए सेमीरिंग $S$ पर समीकरणों की एक प्रणाली को क्रमिक रूप से निर्मित करता है। इस प्रणाली के समाधान ठीक से उन नॉन-डिटरमिनिस्टिक WFAs के अनुरूप होते हैं जो देखे गए सभी प्रश्नों (queries) पर "टीचर" (लक्ष्य भाषा) के साथ सहमत होते हैं।

लर्निंग प्रक्रिया एक मानक एक्टिव लर्निंग लूप (एल्गोरिदम 1) का अनुसरण करती है:

हाइपोथीसिस जनरेशन (Hypothesis Generation): एल्गोरिदम वर्तमान अवलोकन सेट $O$ के साथ सुसंगत एक $n$ -स्टेट WFA खोजने का प्रयास करता है। यह कार्य getAutomaton नामक एक सबरूटीन को सौंप दिया जाता है।
इक्विवेलेंस क्वेरी (Equivalence Query): यदि एक सुसंगत हाइपोथीसिस $H$ मिलता है, तो लक्ष्य भाषा $L$ को सत्यापित करने के लिए टीचर से प्रश्न पूछा जाता है।
काउंटरएग्जांपल हैंडलिंग (Counterexample Handling): यदि टीचर एक काउंटरएग्जांपल $w$ प्रदान करता है (जहाँ $H(w) \neq L(w)$ ), तो $w$ को $O$ में जोड़ दिया जाता है, और लूप को मजबूत किए गए बाधाओं (constraints) के साथ दोहराया जाता है।

`getAutomaton` सबरूटीन

लेखक getAutomaton के दो कार्यान्वयन प्रस्तुत करते हैं:

नेइव बेसलाइन (Naive Baseline): यह सीधे WFA के सिमेंटिक्स को एनकोड करता है। यह प्रारंभिक भार (initial weights), ट्रांजिशन मैट्रिसेस और अंतिम भार को अज्ञात चर (unknown variables) के रूप में मानता है और सभी $w \in O$ के लिए समीकरण $out(w) = \text{semantics}(w)$ को हल करता है।
ऑप्टिमाइज्ड (SWAL): यह एक कोलिज्रैबिक परिप्रेक्ष्य (coalgebraic perspective) और स्टेट लैंग्वेजेस (state languages) की अवधारणा का उपयोग करता है। वैश्विक भाषा को सीधे हल करने के बजाय, यह प्रत्येक अवस्था (state) से स्वीकृत भाषा का प्रतिनिधित्व करने वाले मध्यवर्ती चरों को पेश करता है। इसके परिणामस्वरूप समीकरणों की एक प्रणाली बनती है जहाँ:
- स्टेबिलाइजेशन बाधाएं (Stabilization constraints) यह सुनिश्चित करती हैं कि स्टेट लैंग्वेजेस ट्रांजिशन वेट्स के साथ सुसंगत हैं।
- स्पैनिंग बाधाएं (Spanning constraints) यह सुनिश्चित करती हैं कि प्रारंभिक भार स्टेट लैंग्वेजेस को सही ढंग से संयोजित करके लक्षित आउटपुट से मेल खाते हैं।
- मुख्य अंतर्दृष्टि (Key Insight): हालांकि यह एनकोडिंग अधिक चरों और समीकरणों को पेश करती है, यह अवलोकनों के बीच साझा संरचनाओं (suffixes) को उजागर करती है। यह SMT सॉल्वर को मध्यवर्ती परिणामों का पुन: उपयोग करने की अनुमति देता है, जिससे नेइव दृष्टिकोण की तुलना में स्केलेबिलिटी में काफी सुधार होता है।

डैसिडेबिलिटी (Decidability) और सेमीरिंग्स

एल्गोरिदम सेमीरिंग के प्रति पैरामेट्रिक है। लेखक पहचानते हैं कि डैसिडेबल सेमीरिंग्स (जहाँ परिमित समीकरण प्रणालियों की संतुष्टि डैसिडेबल है) के लिए, getAutomaton सबरूटीन को सुदृढ़ और पूर्ण रूप से लागू किया जा सकता है।

परिमित सेमीरिंग्स (Finite Semirings): ब्रूट-फोर्स या SMT के माध्यम से स्पष्ट रूप से डैसिडेबल हैं।
अनंत सेमीरिंग्स (Infinite Semirings): पेपर में ट्रॉपिकल सेमीरिंग ( $\min, +$ ), बाउंडेड ट्रॉपिकल सेमीरिंग्स, और बॉटलनेक सेमीरिंग ( $\max, \min$ ) को डैसिडेबल थ्योरीज जैसे कि QF-LIA और QF-BV में एनकोडिंग प्रदान की गई है।

मुख्य योगदान

नवीन एल्गोरिदम: नॉन-डिटरमिनिस्टिक WFAs के लिए एक नया SMT-आधारित एक्टिव लर्निंग एल्गोरिदम जो सेमीरिंग के प्रति पैरामेट्रिक है।
न्यूनता गारंटी (Minimality Guarantee): $L^\star$ -शैली की विधियों के विपरीत, जो विशिष्ट बीजगणितीय संरचनाओं के बाहर अक्सर न्यूनता गारंटी की कमी रखती हैं, यह एल्गोरिदम न्यूनतम WFA उत्पन्न करने की गारंटी देता है, चाहे सेमीरिंग कुछ भी हो।
समाप्ति की शर्तें (Termination Conditions): लेखक आंशिक शुद्धता (partial correctness) को सिद्ध करते हैं और समाप्ति के लिए पर्याप्त स्थितियां प्रदान करते हैं। विशेष रूप से, वे सिद्ध करते हैं कि एल्गोरिदम सभी परिमित सेमीरिंग्स के लिए समाप्त होता है। अनंत सेमीरिंग्स के लिए, हालांकि समाप्ति सैद्धांतिक रूप से उन्हीं कार्डिनैलिटी तर्कों द्वारा गारंटीकृत नहीं है, कार्यान्वयन व्यावहारिक सफलता प्रदर्शित करता है।
कन्स्ट्रेंट-आधारित सिंथेसिस (Constraint-Based Synthesis): पेपर WFAs के लिए पहला कन्स्ट्रेंट-आधारित जनरेशन एल्गोरिदम पेश करता है, जो SMT-आधारित सिंथेसिस को सक्षम बनाता है। यह उन विशिष्ट सेमीरिंग्स की पहचान करता है जहाँ परिणामी कन्स्ट्रेंट सिस्टम डैसिडेबल हैं।
प्रायोगिक मूल्यांकन (Experimental Evaluation): प्रस्तावित विधि (SWAL) का एक नेइव बेसलाइन और स्टेट-ऑफ-द-आर्ट $WL^\star$ एल्गोरिदम के विरुद्ध व्यापक मूल्यांकन।

प्रायोगिक परिणाम

लेखकों ने एल्गोरिदम (SWAL) को Z3 सॉल्वर के साथ OCamled में लागू किया और इसे बूलियन, ट्रॉपिकल, बाउंडेड ट्रॉपिकल और बॉटलनेक सेमीरिंग्स में 5,000 से अधिक रैंडमली जेनरेटेड बेंचमार्क पर मूल्यांकित किया।

नेइव बेसलाइन के विरुद्ध: SWAL रनटाइम और स्केलेबिलिटी दोनों में नेइव एनकोडिंग से काफी बेहतर प्रदर्शन करता है। जबकि नेइव दृष्टिकोण 2–6 स्टेट्स (सेमीरिंग के आधार पर) से अधिक के ऑटोमेटा को सीखने में संघर्ष करता है, SWAL 8 स्टेट्स तक के न्यूनतम ऑटोमेटा को सफलतापूर्वक सीख लेता है। ऑप्टिमाइज्ड एनकोडिंग (स्टेट लैंग्वेजेस) टाइमआउट/आउट-ऑफ-मेमोरी त्रुटियों को कई गुना कम कर देती है।
$WL^\star$ के विरुद्ध: प्रिंसिपल आइडियल डोमेन के लिए स्टेट-ऑफ-द-आर्ट एल्गोरिदम $WL^\star$ $W L^{⋆}$ के साथ तुलना करने पर:
- न्यूनता (Minimality): SWAL लगातार न्यूनतम ऑटोमेटा उत्पन्न करता है, जबकि $WL^\star$ अक्सर 10 गुना बड़े ऑटोमेटा उत्पन्न करता है।
- दक्षता (Efficiency): SWAL को $WL^\star$ की तुलना में कम आउटपुट क्वेरीज़ (टीचर के साथ इंटरैक्शन) की आवश्यकता होती है।
- रनटाइम: SWAL रनटाइम में प्रतिस्पर्धी है, और अक्सर $WL^\star$ की तुलना में तेजी से और कम रिसोर्स फेलियर (TO/OOM) के साथ समाप्त होता है।
इन्क्रिमेंटैलिटी (Incrementality): इन्क्रीमेंटल SMT सॉल्विंग को सक्षम करने से लर्निंग समय और रिसोर्स का उपयोग नाटकीय रूप से कम हो जाता है, जो इन्क्रीमेंटल लर्निंग के लिए कन्स्ट्रेंट-आधारित दृष्टिकोण की उपयुक्तता की पुष्टि करता है।

महत्व और दावे

पेपर कन्स्ट्रेंट-आधारित लर्निंग को पारंपरिक हेंकेल/ $L^\star$ -शैली के तरीकों के लिए एक व्यावहारिक और मजबूत विकल्प के रूप में स्थापित करता है, विशेष रूप से वेरिफिकेशन-ओरिएंटेड सेटिंग्स में।

मजबूती (Robustness): यह दृष्टिकोण उन व्यापक रेंज के सेमीरिंग्स को संभालता है (ट्रॉपिकल जैसे अनंत सेमीरिंग्स सहित) जहाँ $L^\star$ -शैली के तरीकों के लिए बीजगणितीय समाप्ति प्रमाण कठिन या गैर-मौजूद हैं।
न्यूनता (Minimality): न्यूनता की गारंटी एक महत्वपूर्ण लाभ है, क्योंकि कुशल वेरिफिकेशन और एब्स्ट्रैक्शन के लिए न्यूनतम मॉडल आवश्यक हैं।
स्केलेबिलिटी (Scalability): प्रायोगिक परिणाम दर्शाते हैं कि SMT-आधारित सिंथेसिस जटिल, न्यूनतम वेटेड ऑटोमेटा सीखने के लिए स्केल कर सकता है जो वर्तमान में मौजूदा एल्गोरिदम की पहुंच से बाहर हैं।

लेखक निष्कर्ष निकालते हैं कि हालांकि वे सभी अनंत सेमीरिंग्स के लिए सामान्य समाप्ति प्रमाण प्रदान नहीं करते हैं (एक ज्ञात खुला प्रश्न), उनका तरीका एक व्यावहारिक समाधान प्रदान करता है जो उन परिदृश्यों में सफलतापूर्वक न्यूनतम WFAs सीखता है जहाँ पिछले तरीके विफल हो जाते हैं या उप-इष्टतम (suboptimal) मॉडल प्रदान करते हैं। भविष्य के कार्यों में अधिक इन्क्रीमेंटल हाइपोथीसिस अपडेट की खोज करना और दृष्टिकोण को प्रोबेबिलिस्टिक ऑटोमेटा तक विस्तारित करना शामिल है।