論文の概要: Formal Fields: A Framework to Automate Code Generation Across Domains
- arxiv url: http://arxiv.org/abs/2007.14075v1
- Date: Tue, 28 Jul 2020 09:06:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 02:36:25.250878
- Title: Formal Fields: A Framework to Automate Code Generation Across Domains
- Title（参考訳）: Formal Fields: ドメイン間のコード生成を自動化するフレームワーク
- Authors: Jacques Basald\'ua
- Abstract要約: フォーマルフィールドは、同じアルゴリズムと言語構造を使ってドメイン間でコード生成を行うフレームワークである。
それは、ドメイン言語、問題、そしてその評価を定義する共通の文法を提供する。
フレームワークはドメイン言語の構造に関するコードスニペットの例から学び、まったく新しいコードスニペットを検索して、同じフィールドで目に見えない問題を解決する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Code generation, defined as automatically writing a piece of code to solve a
given problem for which an evaluation function exists, is a classic hard AI
problem. Its general form, writing code using a general language used by human
programmers from scratch is thought to be impractical. Adding constraints to
the code grammar, implementing domain specific concepts as primitives and
providing examples for the algorithm to learn, makes it practical. Formal
fields is a framework to do code generation across domains using the same
algorithms and language structure. Its ultimate goal is not just solving
different narrow problems, but providing necessary abstractions to integrate
many working solutions as a single lifelong reasoning system. It provides a
common grammar to define: a domain language, a problem and its evaluation. The
framework learns from examples of code snippets about the structure of the
domain language and searches completely new code snippets to solve unseen
problems in the same field. Formal fields abstract the search algorithm away
from the problem. The search algorithm is taken from existing reinforcement
learning algorithms. In our implementation it is an apropos Monte-Carlo Tree
Search (MCTS). We have implemented formal fields as a fully documented open
source project applied to the Abstract Reasoning Challenge (ARC). The
implementation found code snippets solving twenty two previously unsolved ARC
problems.
- Abstract（参考訳）: 評価関数が存在する特定の問題を解決するためにコードの自動記述として定義されるコード生成は、古典的なハードai問題である。
その一般的な形式は、人間のプログラマがゼロから使用する汎用言語を使ってコードを書くことは実用的ではないと考えられている。
コード文法に制約を加え、プリミティブとしてドメイン固有の概念を実装し、学習するアルゴリズムの例を提供することは、実用的です。
フォーマルフィールドは、同じアルゴリズムと言語構造を使ってドメイン間でコード生成を行うフレームワークである。
その最終的な目標は、異なる狭い問題を解決するだけでなく、多くの作業ソリューションを一生涯の推論システムとして統合するために必要な抽象化を提供することである。
それは、ドメイン言語、問題、そしてその評価を定義する共通の文法を提供する。
フレームワークはドメイン言語の構造に関するコードスニペットの例から学び、まったく新しいコードスニペットを検索して、同じフィールドで目に見えない問題を解決する。
形式的フィールドは、問題から探索アルゴリズムを抽象化する。
検索アルゴリズムは、既存の強化学習アルゴリズムから取られる。
我々の実装では、MCTS (Apropos Monte-Carlo Tree Search) である。
我々は、ARC(Abstract Reasoning Challenge)に適用された、完全に文書化されたオープンソースプロジェクトとして、フォーマルフィールドを実装した。
この実装では、未解決のARC問題を20のコードスニペットで解決した。
関連論文リスト
- CodeXEmbed: A Generalist Embedding Model Family for Multiligual and Multi-task Code Retrieval [103.116634967815]
CodeXEmbedは400Mから7Bパラメータの大規模なコード埋め込みモデルのファミリーである。
我々の新しいトレーニングパイプラインは、複数のプログラミング言語を統合し、様々なコード関連タスクを共通の検索フレームワークに変換する。
私たちの7Bモデルは、コード検索において新しい最先端(SOTA)を設定し、以前の主要なモデルであるVoyage-CodeをCoIRベンチマークで20%以上上回っています。
論文 参考訳（メタデータ） (2024-11-19T16:54:45Z) - Effective Large Language Model Debugging with Best-first Tree Search [27.68711322875045]
大きな言語モデル(LLM)は、コード生成タスクの約束を示す。
LLMはバグの発見と修正を一貫して行うことはできない。
本研究では,LLMが自己回帰と探索によってコードをデバッグするアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-26T19:26:00Z) - CodeRAG-Bench: Can Retrieval Augment Code Generation? [78.37076502395699]
検索拡張生成を用いたコード生成の系統的,大規模な解析を行う。
まず、コード生成タスクの3つのカテゴリを含む総合的な評価ベンチマークであるCodeRAG-Benchをキュレートする。
CodeRAG-Bench上のトップパフォーマンスモデルについて、1つまたは複数のソースから検索したコンテキストを提供することにより検討する。
論文 参考訳（メタデータ） (2024-06-20T16:59:52Z) - Language Models as Compilers: Simulating Pseudocode Execution Improves Algorithmic Reasoning in Language Models [17.76252625790628]
本稿では,言語モデルの推論過程を2段階に分解するフレームワークであるThink-and-Executeについて述べる。
7つのアルゴリズム的推論タスクについて広範な実験を行い、思考と実行の有効性を実証する。
論文 参考訳（メタデータ） (2024-04-03T08:49:11Z) - Code-Switched Language Identification is Harder Than You Think [69.63439391717691]
コードスイッチングは、文字と音声の通信において一般的な現象である。
CSコーパスの構築の応用について検討する。
タスクをもっと多くの言語に拡張することで、タスクをより現実的にします。
文レベルのマルチラベルタグ付け問題としてタスクを再構築し、より難易度の高いものにする。
論文 参考訳（メタデータ） (2024-02-02T15:38:47Z) - 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) - Code Prompting: a Neural Symbolic Method for Complex Reasoning in Large
Language Models [74.95486528482327]
コードプロンプト(code prompting)は、ゼロショットバージョンと少数ショットバージョンの両方を持ち、中間ステップとしてコードをトリガーするニューラルシンボルプロンプトである。
我々は,記号的推論と算術的推論を含む7つの広く使用されているベンチマーク実験を行った。
論文 参考訳（メタデータ） (2023-05-29T15:14:09Z) - Implementing Dynamic Programming in Computability Logic Web [0.0]
本稿では,アルゴリズムとその対応するアルゴリズム言語であるCoLwebについて述べる。
CoLwebは、非分散コンピューティングと分散コンピューティングの両方のためのアルゴリズム設計に対して、高レベルの、証明付き、分散スタイルのアプローチを強制します。
我々は,Hhorn節の定義を視覚的ユニバーサリー量子化(BUQ)と並列ユニバーサリー量子化(PUQ)の2種類に洗練する。
論文 参考訳（メタデータ） (2023-04-04T05:33:43Z) - A General Search-based Framework for Generating Textual Counterfactual
Explanations [2.5563396001349297]
本稿では,テキスト領域における反実的説明を生成するための検索ベースのフレームワークを提案する。
当社のフレームワークは、モデルに依存しない、ドメインに依存しない、いつでもです。
論文 参考訳（メタデータ） (2022-11-01T10:34:27Z) - Language Model Decoding as Likelihood-Utility Alignment [54.70547032876017]
モデルの有効性がタスク固有の実用性の概念とどのように一致しているかについて、暗黙の仮定に基づいて、デコード戦略をグループ化する分類法を導入する。
具体的には、様々なタスクの集合における予測の可能性と有用性の相関を解析することにより、提案された分類を裏付ける最初の実証的証拠を提供する。
論文 参考訳（メタデータ） (2022-10-13T17:55:51Z) - An Approach for Automatic Construction of an Algorithmic Knowledge Graph
from Textual Resources [3.723553383515688]
本稿では,非構造化データからアルゴリズム問題の知識グラフを自動的に作成する手法を提案する。
アルゴリズムKGは、アルゴリズムメタデータに追加のコンテキストと説明可能性を与える。
論文 参考訳（メタデータ） (2022-05-13T18:59:23Z)
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。