論文の概要: On-the-Fly Adaptation of Source Code Models using Meta-Learning
- arxiv url: http://arxiv.org/abs/2003.11768v2
- Date: Sat, 19 Sep 2020 16:17:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-19 21:22:20.375818
- Title: On-the-Fly Adaptation of Source Code Models using Meta-Learning
- Title（参考訳）: メタラーニングによるソースコードモデルのオンザフライ適応
- Authors: Disha Shrivastava, Hugo Larochelle and Daniel Tarlow
- Abstract要約: 文脈適応の問題はメタラーニングの問題である。
我々は、欠落したトークンの予測を改善するために、ファイル内の情報から最もよく学習できるベースソースコードモデルを訓練する。
大規模なJava GitHubコーパスの実験において、パフォーマンスの改善を実証した。
- 参考スコア（独自算出の注目度）: 28.98699307030983
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The ability to adapt to unseen, local contexts is an important challenge that
successful models of source code must overcome. One of the most popular
approaches for the adaptation of such models is dynamic evaluation. With
dynamic evaluation, when running a model on an unseen file, the model is
updated immediately after having observed each token in that file. In this
work, we propose instead to frame the problem of context adaptation as a
meta-learning problem. We aim to train a base source code model that is best
able to learn from information in a file to deliver improved predictions of
missing tokens. Unlike dynamic evaluation, this formulation allows us to select
more targeted information (support tokens) for adaptation, that is both before
and after a target hole in a file. We consider an evaluation setting that we
call line-level maintenance, designed to reflect the downstream task of code
auto-completion in an IDE. Leveraging recent developments in meta-learning such
as first-order MAML and Reptile, we demonstrate improved performance in
experiments on a large scale Java GitHub corpus, compared to other adaptation
baselines including dynamic evaluation. Moreover, our analysis shows that,
compared to a non-adaptive baseline, our approach improves performance on
identifiers and literals by 44\% and 15\%, respectively.
- Abstract（参考訳）: 見えないローカルコンテキストに適応する能力は、ソースコードの成功モデルが克服しなければならない重要な課題である。
このようなモデルの適応化に対する最も一般的なアプローチの1つは動的評価である。
動的評価では、未確認ファイルでモデルを実行すると、そのファイル内の各トークンを観察した直後にモデルが更新される。
本研究では,メタ学習問題としてコンテキスト適応の問題を枠組み化することを提案する。
我々は、欠落したトークンの予測を改善するために、ファイル内の情報から最も学習しやすいベースソースコードモデルをトレーニングすることを目指している。
動的評価とは異なり、この定式化により、ファイル内のターゲットホールの前と後の両方に、適応のためのより多くのターゲット情報(サポートトークン)を選択できる。
IDEにおけるコード自動補完のダウンストリームタスクを反映した、ラインレベルのメンテナンスと呼ばれる評価設定について検討する。
第一級 maml や reptile といったメタラーニングの最近の進歩を利用して、動的な評価を含む他の適応ベースラインと比較して、大規模な java github コーパスにおける実験におけるパフォーマンスの向上を実証する。
さらに,本研究では,非適応ベースラインと比較して,識別子とリテラルの性能をそれぞれ44 %,リテラルを15 %向上させた。
関連論文リスト
- Adjusting Pretrained Backbones for Performativity [34.390793811659556]
本稿では,事前学習したバックボーンをモジュラー方式で演奏性に適応させる新しい手法を提案する。
再学習軌道に沿った損失を減らし、候補モデルの中から効果的に選択し、性能劣化を予測できることを示す。
論文 参考訳（メタデータ） (2024-10-06T14:41:13Z) - Aligning Large Language Models via Fine-grained Supervision [20.35000061196631]
事前訓練された大規模言語モデル(LLM)は、一貫性のある記事を生成するのに優れていますが、そのアウトプットは非現実的、有毒、あるいはユーザの期待に沿わないかもしれません。
現在のアプローチは、モデルアライメントを改善するために、人間のフィードバックによる強化学習を使うことに重点を置いている。
トークンレベルの微粒化によるLCMアライメント向上手法を提案する。
論文 参考訳（メタデータ） (2024-06-04T20:21:45Z) - What, How, and When Should Object Detectors Update in Continually
Changing Test Domains? [34.13756022890991]
テストデータを推測しながらモデルをオンラインに適応させるテスト時適応アルゴリズムが提案されている。
連続的に変化するテスト領域におけるオブジェクト検出のための新しいオンライン適応手法を提案する。
提案手法は,広く使用されているベンチマークのベースラインを超え,最大4.9%,mAP7.9%の改善を実現している。
論文 参考訳（メタデータ） (2023-12-12T07:13:08Z) - QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。
QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。
例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
論文 参考訳（メタデータ） (2023-11-06T00:21:44Z) - Universal Domain Adaptation from Foundation Models: A Baseline Study [58.51162198585434]
基礎モデルを用いた最先端UniDA手法の実証的研究を行った。
CLIPモデルからターゲット知識を抽出するためのパラメータフリーな手法であるtextitCLIP 蒸留を導入する。
単純な手法ではあるが、ほとんどのベンチマークタスクでは従来の手法よりも優れている。
論文 参考訳（メタデータ） (2023-05-18T16:28:29Z) - Evaluating Representations with Readout Model Switching [19.907607374144167]
本稿では,最小記述長(MDL)の原理を用いて評価指標を考案する。
我々は、読み出しモデルのためのハイブリッド離散および連続値モデル空間を設計し、それらの予測を組み合わせるために切替戦略を用いる。
提案手法はオンライン手法で効率的に計算でき,様々なアーキテクチャの事前学習された視覚エンコーダに対する結果を示す。
論文 参考訳（メタデータ） (2023-02-19T14:08:01Z) - Meta-Learning Fast Weight Language Models [105.66999854213724]
我々は、動的評価の利点をより効率的に提供するニューラルネットワークコンポーネントであるFWL(Fast Weight Layers)を提示する。
FWLはトレーニング時に適用でき、モデルが勾配更新をうまく活用することを学ぶ。
論文 参考訳（メタデータ） (2022-12-05T18:37:09Z) - Efficient Training of Language Models to Fill in the Middle [17.118891860985123]
自動回帰言語モデルは、データセットに直接的な変換を適用した後、テキストを埋めることを学ぶことができる。
FIMモデルのトレーニングには、デフォルト設定の強い設定とベストプラクティスを規定するために、これらのアブリケーションを使用します。
私たちはAPIのベストプラクティスでトレーニングされた最高のインフィルモデルをリリースし、将来の研究を支援するためにインフィルベンチマークをリリースしました。
論文 参考訳（メタデータ） (2022-07-28T17:40:47Z) - Improving Meta-learning for Low-resource Text Classification and
Generation via Memory Imitation [87.98063273826702]
本稿では,メモリ模倣メタラーニング(MemIML)手法を提案する。
本手法の有効性を証明するために理論的解析を行った。
論文 参考訳（メタデータ） (2022-03-22T12:41:55Z) - Fast Few-Shot Classification by Few-Iteration Meta-Learning [173.32497326674775]
数ショット分類のための高速な最適化に基づくメタラーニング手法を提案する。
我々の戦略はメタ学習において学習すべき基礎学習者の目的の重要な側面を可能にする。
我々は、我々のアプローチの速度と効果を実証し、総合的な実験分析を行う。
論文 参考訳（メタデータ） (2020-10-01T15:59:31Z) - Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。
本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。
4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
論文 参考訳（メタデータ） (2020-02-27T10:22:17Z)
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。