본 논문은 기울기 기반 방법을 사용한 정확한 알고리즘 학습 가능성을 탐구하고, 산술적 작업에 대한 강력한 길이 일반화를 수행할 수 있는 미분 가능한 프레임워크를 소개합니다. Differentiable Finite-State Transducers (DFSTs)를 중심으로, 상수 정밀도, 상수 시간 생성 및 엔드 투 엔드 로그 병렬 미분 가능 훈련을 가능하게 하여 기존 아키텍처의 문제점을 해결합니다. 전문가 에이전트의 정책-궤적 관찰을 활용하여 이진 및 십진 덧셈과 곱셈을 수행하도록 DFSTs를 훈련시켰습니다. 훈련된 모델은 훈련 예제보다 수천 배 더 긴 입력에 대해 오류 없이 일반화되었습니다.
