Амиржан Куанышулы Калпен – магистрант
г. Астана, пр-т. Мангилик Ел 55/11, Блок С1 QazExpo
Amirzhan Kuanyshuly Kalpen – master student
Astana, Mangilik El 55/11, Block C1 QazExpo
Эрик Т. Матсон – PhD, профессор
Уэст Лафайетте, Индиана
West Lafayette, Indiana
Айнур Канадиловна Жумадиллаева – кандидат технических наук
г. Астана, пр-т. Мангилик Ел 55/11, Блок С1 QazExpo
Астана, ул. К. Сатпаева, 2
Ainur Zhumadillayeva – candidate of technical sciences, associate professor
Astana, Mangilik El 55/11, Block C1 QazExpo
Канагат Абетович Дюсекеев – кандидат технических наук
Астана, ул. К. Сатпаева, 2
Kanagat Dyussekeyev – candidate of technical sciences
Astana
Распознавание последовательностей является критически важной задачей во многих дисциплинах. Традиционные методы, основанные на конечных автоматах (КА), обеспечивают структурированное представление данных и высокую интерпретируемость, однако их гибкость ограничена. Современные алгоритмы машинного обучения (ML) демонстрируют высокую точность, но требуют значительных вычислительных ресурсов. Объединение этих парадигм может повысить эффективность распознавания сложных последовательностей. Данное исследование посвящено интеграции КА с методами ML для решения задач анализа последовательностей. Рассматриваются три различные области применения: классификация текстов (определение спама), распознавание генетических последовательностей, связанных с болезнью Альцгеймера, и идентификация жестов на основе изображений.
Для каждой области были разработаны и протестированы гибридные модели, объединяющие детерминированные конечные автоматы (DFA), недетерминированные конечные автоматы (NFA) и алгоритмы машинного обучения, такие как Random Forest, Gradient Boosting и многослойные перцептроны (MLP). Экспериментальные результаты свидетельствуют о том, что данные гибридные модели достигают производительности, сопоставимой с традиционными методами ML, а в некоторых случаях обеспечивают более точные прогнозы.
При классификации спама нейронные сети показали наилучшие результаты, при этом комбинации КА с нейронными сетями продемонстрировали схожую эффективность.
В анализе генетических последовательностей модели на основе градиентного бустинга показали наивысшую точность, а интеграция КА позволила сохранить высокий уровень производительности при повышении интерпретируемости.
В задаче распознавания жестов наиболее эффективными оказались подходы, основанные на нейронных сетях, однако интеграция КА с ансамблевыми методами позволила добиться высоких прогностических показателей, превосходящих традиционные ML-модели.
В заключение, интеграция конечных автоматов и машинного обучения представляет собой перспективное направление в анализе последовательностей. Будущие исследования могут быть направлены на оптимизацию архитектур моделей и их применение в других областях, требующих высокой точности распознавания сложных структур.
Sequence recognition is a critical task across numerous disciplines. While traditional methods utilizing Finite State Machines (FSMs) offer a structured data representation and high interpretability, their flexibility is limited. Contemporary Machine Learning (ML) algorithms exhibit high accuracy but demand substantial computational resources. Combining these paradigms can enhance the effectiveness of complex sequence recognition. This study explores the integration of FSMs with ML techniques to address sequence analysis problems. Three distinct applications are examined: text classification (spam detection), recognition of genetic sequences related to Alzheimer's disease, and image-based gesture identification.
For each, hybrid models were developed and tested, combining Deterministic Finite Automata (DFA), Non-deterministic Finite Automata (NFA), and ML algorithms such as Random Forest, Gradient Boosting, and Multilayer Perceptrons (MLP). Experimental results indicate that these hybrid models achieve performance comparable to traditional ML methods, and in some instances, yield more accurate predictions.
In spam classification, neural network models demonstrated the best results, with FSM-neural network combinations providing similar effectiveness.
For genetic sequence analysis, gradient boosting-based models exhibited the highest accuracy, with the inclusion of FSMs maintaining performance while enhancing interpretability.
In gesture recognition, neural network approaches proved most effective, but integrating FSMs with ensemble methods achieved a high level of predictive capability, surpassing conventional ML models.
In conclusion, the integration of FSMs and ML presents a promising avenue in sequence analysis. Future research could focus on optimizing model architectures and applying them to other domains requiring high-precision recognition of intricate structures.
The authors declare that there are no conflicts of interest present.