論文の概要: Synthesize, Execute and Debug: Learning to Repair for Neural Program
Synthesis
- arxiv url: http://arxiv.org/abs/2007.08095v2
- Date: Thu, 22 Oct 2020 07:23:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 22:51:44.980451
- Title: Synthesize, Execute and Debug: Learning to Repair for Neural Program
Synthesis
- Title(参考訳): 合成、実行、デバッグ: 神経プログラム合成のための学習から修復へ
- Authors: Kavi Gupta, Peter Ebert Christensen, Xinyun Chen, Dawn Song
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 81.54148730967394
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The use of deep learning techniques has achieved significant progress for
program synthesis from input-output examples. However, when the program
semantics become more complex, it still remains a challenge to synthesize
programs that are consistent with the specification. In this work, we propose
SED, a neural program generation framework that incorporates synthesis,
execution, and debugging stages. Instead of purely relying on the neural
program synthesizer to generate the final program, SED first produces initial
programs using the neural program synthesizer component, then utilizes a neural
program debugger to iteratively repair the generated programs. The integration
of the debugger component enables SED to modify the programs based on the
execution results and specification, which resembles the coding process of
human programmers. On Karel, a challenging input-output program synthesis
benchmark, SED reduces the error rate of the neural program synthesizer itself
by a considerable margin, and outperforms the standard beam search for
decoding.
- Abstract(参考訳): 深層学習技術の利用は、入力出力の例からプログラム合成において大きな進歩を遂げた。
しかし、プログラムセマンティクスがより複雑になると、仕様に整合したプログラムを合成することは依然として困難である。
本研究では,合成,実行,デバッグの段階を組み込んだニューラルプログラム生成フレームワークであるSEDを提案する。
sedは、ニューラルネットワークシンセサイザーに純粋に最終プログラムを生成するのではなく、まずneural program synthesizerコンポーネントを使用して初期プログラムを作成し、次にneural program debuggerを使用して生成されたプログラムを反復的に修復する。
デバッガコンポーネントの統合により、SEDは人間のプログラマのコーディングプロセスに似た実行結果と仕様に基づいてプログラムを変更することができる。
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、復号のための標準ビーム探索より優れている。
関連論文リスト
- Hierarchical Neural Program Synthesis [19.94176152035497]
プログラム合成は、与えられたタスク仕様を満たす人間可読プログラムを自動構築することを目的としている。
プログラムを階層的に構成することでプログラムを合成するスケーラブルなプログラム合成フレームワークを提案する。
入力/出力ペアを持つ文字列変換領域において,提案するフレームワークを広範囲に評価する。
論文 参考訳(メタデータ) (2023-03-09T18:20:07Z) - 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) - Latent Execution for Neural Program Synthesis Beyond Domain-Specific
Languages [97.58968222942173]
入力出力の例からCプログラムを合成する第一歩を踏み出す。
特に,部分生成プログラムの実行を近似するために潜在表現を学習するLa Synthを提案する。
これらのプログラムのトレーニングにより,Karel と C のプログラム合成における予測性能がさらに向上することを示す。
論文 参考訳(メタデータ) (2021-06-29T02:21:32Z) - Representing Partial Programs with Blended Abstract Semantics [62.20775388513027]
プログラム合成エンジンにおける部分的なプログラム表現手法について紹介する。
モジュラーニューラルネットワークとして実装された近似実行モデルを学ぶ。
これらのハイブリッドニューロシンボリック表現は、実行誘導型シンセサイザーがより強力な言語構成を使うことができることを示す。
論文 参考訳(メタデータ) (2020-12-23T20:40:18Z) - Latent Programmer: Discrete Latent Codes for Program Synthesis [56.37993487589351]
プログラム合成や文書要約などの多くのシーケンス学習タスクにおいて、重要な問題は出力シーケンスの広い空間を探索することである。
本稿では,検索対象とする出力の表現を学習することを提案する。
本稿では,まず入力/出力サンプルから離散潜在コードを予測するプログラム合成手法であるemphLatent Programmerを紹介し,そのプログラムを対象言語で生成する。
論文 参考訳(メタデータ) (2020-12-01T10:11:35Z) - Optimal Neural Program Synthesis from Multimodal Specifications [45.35689345004124]
マルチモーダルプログラム合成は、プログラム合成を挑戦的な設定に拡張する魅力的な方法である。
本稿では,ユーザが提供する制約を満たすプログラムを見つけることを目的とした,最適なニューラルシンセサイザー手法を提案する。
論文 参考訳(メタデータ) (2020-10-04T20:51:21Z) - 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) - Neural Program Synthesis with a Differentiable Fixer [44.48509453344902]
本稿では,エンコーダとデコーダをベースとした合成アーキテクチャと,プログラムを識別可能な固定器を組み合わせた新しいプログラム合成手法を提案する。
RobustFillドメイン上でアーキテクチャをエンドツーエンドにトレーニングし、フィクスチャモジュールの追加によって、合成精度が大幅に向上することを示す。
論文 参考訳(メタデータ) (2020-06-19T01:49:46Z)
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。