論文の概要: Knowledge Refactoring for Inductive Program Synthesis

• arxiv url: http://arxiv.org/abs/2004.09931v3
• Date: Tue, 24 Nov 2020 08:23:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-11 05:45:38.255226
• Title: Knowledge Refactoring for Inductive Program Synthesis
• Title（参考訳）: インダクティブプログラム合成のための知識リファクタリング
• Authors: Sebastijan Dumancic and Tias Guns and Andrew Cropper
• Abstract要約: 人間は知識をより効率的に利用するために常に知識を再構築する。 私たちのゴールは、機械学習システムに似た能力を提供することで、より効率的に学習できるようにすることです。
• 参考スコア（独自算出の注目度）: 37.54933305877746
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Humans constantly restructure knowledge to use it more efficiently. Our goal is to give a machine learning system similar abilities so that it can learn more efficiently. We introduce the \textit{knowledge refactoring} problem, where the goal is to restructure a learner's knowledge base to reduce its size and to minimise redundancy in it. We focus on inductive logic programming, where the knowledge base is a logic program. We introduce Knorf, a system which solves the refactoring problem using constraint optimisation. We evaluate our approach on two program induction domains: real-world string transformations and building Lego structures. Our experiments show that learning from refactored knowledge can improve predictive accuracies fourfold and reduce learning times by half.
• Abstract（参考訳）: 人間は常に知識を再構築し、より効率的に使用する。 私たちの目標は、より効率的に学習できるように、機械学習システムに似た能力を提供することです。 そこでは,学習者の知識基盤を再構築して,そのサイズを小さくし,冗長性を最小化することが目的である。 我々は、知識ベースが論理プログラムである帰納的論理プログラミングに焦点を当てる。 制約最適化を用いてリファクタリング問題を解決するシステムであるKnorfを紹介する。 実世界の文字列変換とlego構造の構築という2つのプログラム誘導ドメインに対するアプローチを評価した。 実験の結果,リファクタリング知識から学習することで,予測精度が4倍に向上し,学習時間を半分に短縮できることがわかった。

関連論文リスト

• Scalable Knowledge Refactoring using Constrained Optimisation [18.706442683121615]
  提案手法は,従来の最先端手法よりも高速かつ圧縮性が高く,時には60%の高速化が可能であることを示す。 複数のドメインに対する実験結果から,従来の最先端手法よりも高速かつ圧縮性の高いプログラムを,場合によっては60%高速化できることが示された。
  論文  参考訳（メタデータ） (2024-08-21T11:12:42Z)
• ReGAL: Refactoring Programs to Discover Generalizable Abstractions [59.05769810380928]
  Generalizable Abstraction Learning (ReGAL)は、再利用可能な関数のライブラリをコード化して学習する手法である。 ReGALによって発見された共有関数ライブラリは、プログラムが様々な領域で容易に予測できることを示している。 CodeLlama-13Bでは、ReGALはLOGOで11.5%、日付理解で26.1%、TextCraftで8.1%という絶対精度が向上し、3つのドメインのうち2つでGPT-3.5を上回った。
  論文  参考訳（メタデータ） (2024-01-29T18:45:30Z)
• Fixing Your Own Smells: Adding a Mistake-Based Familiarisation Step When Teaching Code Refactoring [2.021502591596062]
  学生はまず、コードの臭いを発生させるためにプログラミング演習を完了しなければなりません。 この単純な介入は、学生がコードに精通している場合、学習が簡単であるという考えに基づいている。 本研究は,35人の初等生を対象に,従来の「ミステイク」アプローチと「ミステイク」アプローチを交互に指導し,様々な演習を修了した。
  論文  参考訳（メタデータ） (2024-01-02T03:39:19Z)
• When Do Program-of-Thoughts Work for Reasoning? [51.2699797837818]
  本稿では,コードと推論能力の相関性を測定するために,複雑性に富んだ推論スコア(CIRS)を提案する。 具体的には、抽象構文木を用いて構造情報をエンコードし、論理的複雑性を計算する。 コードはhttps://github.com/zjunlp/EasyInstructのEasyInstructフレームワークに統合される。
  論文  参考訳（メタデータ） (2023-08-29T17:22:39Z)
• Learning logic programs by discovering higher-order abstractions [20.57989636488575]
  我々は高次最適化問題を導入する。 目標は、高階の抽象化を発見して論理プログラムを圧縮することである。 我々はこの問題を制約問題として定式化するStevieにアプローチを実装した。
  論文  参考訳（メタデータ） (2023-08-16T12:50:10Z)
• Learning by Applying: A General Framework for Mathematical Reasoning via Enhancing Explicit Knowledge Learning [47.96987739801807]
  本稿では,既存のモデル(バックボーン)を明示的な知識学習によって原則的に拡張する枠組みを提案する。 LeApでは,新しい問題知識表現パラダイムで知識学習を行う。 LeApはすべてのバックボーンのパフォーマンスを改善し、正確な知識を習得し、より解釈可能な推論プロセスを実現する。
  論文  参考訳（メタデータ） (2023-02-11T15:15:41Z)
• Anti-Retroactive Interference for Lifelong Learning [65.50683752919089]
  我々は脳のメタラーニングと連想機構に基づく生涯学習のパラダイムを設計する。 知識の抽出と知識の記憶という2つの側面から問題に取り組む。 提案した学習パラダイムが,異なるタスクのモデルを同じ最適に収束させることができることを理論的に分析した。
  論文  参考訳（メタデータ） (2022-08-27T09:27:36Z)
• Constraint-driven multi-task learning [18.27510863075184]
  本稿では,マルチタスク学習を活用するために,Popper ILPシステムを拡張した。 制約保存は,すべてのアプローチの全体的な性能を改善する手法である。
  論文  参考訳（メタデータ） (2022-08-24T16:53:54Z)
• Refining neural network predictions using background knowledge [68.35246878394702]
  学習システムにおける論理的背景知識を用いて,ラベル付きトレーニングデータの不足を補うことができることを示す。 そこで本研究では,修正された予測を元の予測に近い精度で検出する微分可能精細関数を提案する。 このアルゴリズムは、複雑なSATの公式に対して、非常に少ない繰り返しで最適に洗練され、勾配降下ができない解がしばしば見つかる。
  論文  参考訳（メタデータ） (2022-06-10T10:17:59Z)

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。