論文の概要: Grammar Filtering For Syntax-Guided Synthesis

• arxiv url: http://arxiv.org/abs/2002.02884v1
• Date: Fri, 7 Feb 2020 16:35:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-03 04:25:41.714618
• Title: Grammar Filtering For Syntax-Guided Synthesis
• Title（参考訳）: 構文誘導合成のための文法フィルタリング
• Authors: Kairo Morton, William Hallahan, Elven Shum, Ruzica Piskac, Mark Santolucito
• Abstract要約: PBE問題を解決するために,自動推論技術を用いて機械学習をタンデムで使用するシステムを提案する。 ニューラルネットワークでSyGuS PBE問題を前処理することで、探索空間のサイズを減らすためにデータ駆動アプローチを使うことができる。 我々のシステムは既存のSyGuS PBE合成ツール上で動作することができ、2019年のSyGuSコンペティションの勝者のランタイムを47.65%削減できる。
• 参考スコア（独自算出の注目度）: 6.298766745228328
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Programming-by-example (PBE) is a synthesis paradigm that allows users to generate functions by simply providing input-output examples. While a promising interaction paradigm, synthesis is still too slow for realtime interaction and more widespread adoption. Existing approaches to PBE synthesis have used automated reasoning tools, such as SMT solvers, as well as works applying machine learning techniques. At its core, the automated reasoning approach relies on highly domain specific knowledge of programming languages. On the other hand, the machine learning approaches utilize the fact that when working with program code, it is possible to generate arbitrarily large training datasets. In this work, we propose a system for using machine learning in tandem with automated reasoning techniques to solve Syntax Guided Synthesis (SyGuS) style PBE problems. By preprocessing SyGuS PBE problems with a neural network, we can use a data driven approach to reduce the size of the search space, then allow automated reasoning-based solvers to more quickly find a solution analytically. Our system is able to run atop existing SyGuS PBE synthesis tools, decreasing the runtime of the winner of the 2019 SyGuS Competition for the PBE Strings track by 47.65% to outperform all of the competing tools.
• Abstract（参考訳）: プログラミング・バイ・サンプル(Programming-by-Example、PBE)は、入力出力の例を単純に提供することによって、ユーザが関数を生成できる合成パラダイムである。 有望な相互作用パラダイムであるにもかかわらず、合成はリアルタイムインタラクションやより広範な採用には遅すぎる。 PBE合成への既存のアプローチでは、SMTソルバのような自動推論ツールや、機械学習技術を適用している。 その中核は、自動推論アプローチは、プログラミング言語の高度にドメイン固有の知識に依存している。 一方、機械学習のアプローチでは、プログラムコードを扱う場合、任意に大規模なトレーニングデータセットを生成することが可能であるという事実を利用する。 本研究では,SyGuS(Syntax Guided Synthesis)方式のPBE問題を解決するために,自動推論技術を用いて機械学習を利用するシステムを提案する。 ニューラルネットワークでSyGuS PBE問題を前処理することにより、探索空間のサイズを減らすためにデータ駆動アプローチを使用して、自動推論ベースの解法を解析的により高速に見つけることができる。 我々のシステムは既存のSyGuS PBE合成ツール上で動作することができ、2019年のPBE文字列のSyGuSコンペティションの勝者のランタイムを47.65%減らし、競合するツールをすべて上回っている。

関連論文リスト

• Opening the AI black box: program synthesis via mechanistic interpretability [12.849101734204456]
  本稿では,学習したアルゴリズムをPythonコードに自動蒸留することで,目的のタスクを実行するために訓練されたニューラルネットワークの自動機械論的解釈性に基づくプログラム合成手法を提案する。 我々は、RNNで学習できる62のアルゴリズムタスクのベンチマークでMIPSをテストする。 大規模な言語モデルとは対照的に、このプログラム合成技術は、アルゴリズムやGitHubからのコードといった人間のトレーニングデータを使用しない(したがって制限されない)。
  論文  参考訳（メタデータ） (2024-02-07T18:59:12Z)
• LILO: Learning Interpretable Libraries by Compressing and Documenting Code [71.55208585024198]
  LILOは、反復的に合成、圧縮、文書化を行う、ニューロシンボリックなフレームワークである。 LILOは、LLM誘導プログラム合成と、Stitchから自動化された最近のアルゴリズムの進歩を組み合わせたものである。 LILOのシンセサイザーが学習した抽象化を解釈し、デプロイするのを手助けすることで、AutoDocがパフォーマンスを向上させることが分かりました。
  論文  参考訳（メタデータ） (2023-10-30T17:55:02Z)
• Guess & Sketch: Language Model Guided Transpilation [59.02147255276078]
  学習されたトランスパイレーションは、手作業による書き直しやエンジニアリングの取り組みに代わるものだ。 確率的ニューラルネットワークモデル(LM)は、入力毎に可塑性出力を生成するが、正確性を保証するコストがかかる。 Guess & Sketch は LM の特徴からアライメントと信頼性情報を抽出し、意味的等価性を解決するためにシンボリック・ソルバに渡す。
  論文  参考訳（メタデータ） (2023-09-25T15:42:18Z)
• Reinforcement Learning and Data-Generation for Syntax-Guided Synthesis [0.0]
  我々はモンテカルロ木探索(MCTS)を用いて候補解の空間を探索するSyGuSの強化学習アルゴリズムを提案する。 我々のアルゴリズムは,木に縛られた高信頼度と組み合わさって,探索と利用のバランスをとるためのポリシーと価値関数を学習する。
  論文  参考訳（メタデータ） (2023-07-13T11:30:50Z)
• A Conversational Paradigm for Program Synthesis [110.94409515865867]
  本稿では,大規模言語モデルを用いた対話型プログラム合成手法を提案する。 私たちは、自然言語とプログラミング言語のデータに基づいて、CodeGenと呼ばれる大規模な言語モデルのファミリーを訓練します。 本研究は,会話能力の出現と,提案した会話プログラム合成パラダイムの有効性を示すものである。
  論文  参考訳（メタデータ） (2022-03-25T06:55:15Z)
• OMLT: Optimization & Machine Learning Toolkit [54.58348769621782]
  最適化と機械学習ツールキット(OMLT)は、ニューラルネットワークと勾配ブーストツリーサロゲートモデルを組み込んだオープンソースのソフトウェアパッケージである。 我々は、OMLTを可能とした最適化技術の進歩について論じ、OMLTが代数モデリング言語であるPyomoとシームレスに統合されていることを示す。
  論文  参考訳（メタデータ） (2022-02-04T22:23:45Z)
• Type-driven Neural Programming by Example [0.0]
  我々は、与えられた入力を与えられた出力にマッピングするプログラムを見つけることを目的とした、例によるプログラミング(PBE)について考察する。 本稿では,プログラム型をPBEのためのニューラルプログラム合成手法に組み込む方法を提案する。
  論文  参考訳（メタデータ） (2020-08-28T12:30:05Z)
• BUSTLE: Bottom-Up Program Synthesis Through Learning-Guided Exploration [72.88493072196094]
  プログラムのボトムアップ検索に学習を活用する新しい合成手法を提案する。 特に、入力出力例のセットに基づいて、探索条件中の中間値の合成を優先順位付けするようにモデルを訓練する。 単純な教師付き学習アプローチであっても,学習とボトムアップ検索の組み合わせは極めて効果的であることを示す。
  論文  参考訳（メタデータ） (2020-07-28T17:46:18Z)
• Synthesize, Execute and Debug: Learning to Repair for Neural Program Synthesis [81.54148730967394]
  本稿では,合成,実行,デバッグの段階を組み込んだニューラルネットワーク生成フレームワークであるSEDを提案する。 SEDはまず、神経プログラムシンセサイザーコンポーネントを使用して初期プログラムを生成し、その後、神経プログラムデバッガを使用して生成されたプログラムを反復的に修復する。 挑戦的な入出力プログラム合成ベンチマークであるKarelでは、SEDはニューラルプログラムシンセサイザー自体のエラー率をかなりのマージンで削減し、デコードのための標準ビームサーチより優れている。
  論文  参考訳（メタデータ） (2020-07-16T04:15:47Z)
• PHOTONAI -- A Python API for Rapid Machine Learning Model Development [2.414341608751139]
  PHOTONAIは、機械学習モデル開発の簡素化と高速化を目的とした、ハイレベルなPython APIである。 これは統一フレームワークとして機能し、ユーザーは異なるツールボックスからのアルゴリズムをカスタムのアルゴリズムシーケンスに簡単にアクセスし、組み合わせることができる。
  論文  参考訳（メタデータ） (2020-02-13T10:33:05Z)
• Towards Neural-Guided Program Synthesis for Linear Temporal Logic Specifications [26.547133495699093]
  ニューラルネットワークを用いてQ関数を学習し、探索を誘導し、その後正当性を検証したプログラムを構築する。 提案手法は,検索と深層学習を組み合わせることで,合成を実現するのにユニークな手法である。
  論文  参考訳（メタデータ） (2019-12-31T17:09:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。