我有一个涉及字符串的监督学习（布尔分类）问题。有什么资源可以让我了解这方面的最新技术吗？

我熟悉许多监督学习技术，我们假设每个实例都有固定数量的属性：例如，实例由特征向量表示。但现在我有了不同的东西；我有一个字符串，即一个字符序列。我不知道先验可能是什么合适的功能。在这种情况下，是否有任何通用的机器学习技术？

我对在给定现有训练集的情况下工作的技术特别感兴趣（我没有能力标记其他数据；我不想要主动学习算法），并且支持某种正则化或可以处理嘈杂的标签.

我所做的研究和不符合上述要求的方法：

• 我熟悉正则表达式、有限自动机、语法归纳、LearnLib、Angluin's algorithm和类似概念。然而，大部分工作都在主动学习环境中，其中算法生成一个新实例（查询）并要求人类标记该实例。在我的环境中，我必须使用被动学习：我有一个训练集$(x_i,y_i)$其中每个$x_i$是一个字符串并且$y_i$是它的类别（正面或负面），但我无法获得更多示例。

• 我也熟悉自动机最小化，所以我知道如何找到可以在训练集中生成所有正例的最小 DFA，但这并不是一个很好的解决方案。它没有任何正则化或奥卡姆剃刀的概念，并且对标签中的少量错误/噪声不具有鲁棒性。可能有一个非常小的 DFA 可以以 99% 的准确率预测正确的标签，但自动机最小化不会找到它；它过于专注于寻找一个能生成所有正例的自动机，即使这会产生一个更大的自动机。

• 我也熟悉分离自动机的概念，即在训练集上具有 100% 准确率的最小 DFA（接受所有正实例并拒绝所有负实例）。但是，这与自动机最小化具有相同的问题。此外，这似乎可能会过度拟合，最终最终会记住训练集。最后，我看到的研究文献停止指出，找到最小的分离自动机是 NP 难的，并且不关心寻找尽可能小的分离自动机的实用算法。

• 我熟悉循环神经网络，但我的印象是它们往往需要非常大的训练集，因此在我的设置中可能不会有用。这种技术的变体是否适用于不是很大的训练集（例如，训练集中的数百个示例）？

• 我熟悉自然语言处理 (NLP) 文献中的一些技术，但它们似乎非常专门用于解析人类语言。是否有任何适用于其他结构化字符串的通用技术？在我的情况下，字符串不是以某种人类语言编写的人类可读文本，而是具有其他一些内容。