Normalization and Learning of Transducers on Trees and Words - TEL - Thèses en ligne Access content directly
Theses Year : 2016

Normalization and Learning of Transducers on Trees and Words

Normalisation et Apprentissage de Transducteurs d'Arbres et de Mots

Abstract

Since the arrival of the Web, various kinds of semi-structured data formats were introduced in the areas of computer science and technology relevant for the Web, such as document processing, database management, knowledge representation, and information exchange. In this thesis, we study the conversion of semi-structured data from one schema to another. For document processing, the most powerful solutions to this problem were proposed by the XML technology. In the XML format, semi-structured data is restricted to data trees, so that schemas can be defined by tree automata, possibly enhanced by constraints on data values. Document transformations can be defined in XSLT, a purely functional programming language with logical XPath queries. The core of XSLT are macros tree transducers with navigation by XPath queries. We contribute new learning algorithms on tree transducers, that are based on methods from grammatical inference. We address three limitations of previous approaches: schema restrictions, lookaheads, and concatenation in the output. 1. For deterministic top-down tree transducers with regular domain inspection, we show a normal form and a Gold style learning algorithm in with limited resources. 2. We show how to learn rational functions, described by deterministic transducers of words with lookahead. We propose a new normal form for such transducers which provides a compromise between lookahead and state minimization, that leads to a learning algorithm in Gold’s learning model with polynomial resources. 3. For linear tree-to-word transducers with concatenation in the output, we present a normal form and show how to decide equivalence in polynomial time.
Le développement du Web a motivé l’apparition de nombreux types de formats de données semi-structurées pour les problèmes liés aux technologies du Web, comme le traitement des documents ou la gestion de base de données. Nous étudions ici la conversion des données semi-structurées d’un schéma à un autre. Pour le traitement de documents, c’est la technologie XML qui offre la solution la plus puissante à ce problème. En XML, les données semi-structurée sont des arbres de données dont les schémas peuvent être définis par des automates d’arbres avec contraintes sur les valeurs de données. Les transformations de documents sont spécifiées en XSLT, un langage fonctionnel muni de requêtes logiques XPath. Le cœur de XSLT correspond aux transducteurs d’arbres à macros avec navigation par requêtes XPath. Nous proposons de nouveaux algorithmes pour l’apprentissage des transducteurs d’arbres, basés sur des méthodes d’inférence grammaticale. Nous abordons la restriction de schéma, l’anticipation (lookahead), ou la concaténation dans la sortie. 1. Nous donnons une forme normale et un algorithme d’aprentissage dans le modèle de Gold avec des ressources limitées pour les transducteurs d’arbres de haut en bas déterministes avec une inspection de domaine régulière. 2. Nous montrons comment apprendre des fonctions rationnelles, décrites par les transducteurs de mots déterministes avec anticipation. Nous proposons une nouvelle forme normale qui permet un apprentissage avec des ressources polynomiales. 3. Pour les transducteurs arbre-vers-mot linéaires, qui permet la concaténation dans sa sortie, nous présentons une forme normale, et montrons comment décider l’équivalence en temps polynomial.
Fichier principal
Vignette du fichier
Thesis.pdf (1.56 Mo) Télécharger le fichier
Loading...

Dates and versions

tel-01396543 , version 1 (14-11-2016)

Identifiers

  • HAL Id : tel-01396543 , version 1

Cite

Adrien Boiret. Normalization and Learning of Transducers on Trees and Words. Formal Languages and Automata Theory [cs.FL]. Université de Lille, 2016. English. ⟨NNT : ⟩. ⟨tel-01396543⟩
262 View
276 Download

Share

Gmail Mastodon Facebook X LinkedIn More