論文の概要: Type-driven Neural Programming by Example

• arxiv url: http://arxiv.org/abs/2008.12613v5
• Date: Thu, 17 Sep 2020 09:51:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-24 02:32:30.709710
• Title: Type-driven Neural Programming by Example
• Title（参考訳）: 実例による型駆動型ニューラルプログラミング
• Authors: Kiara Grouwstra
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: In this thesis we look into programming by example (PBE), which is about finding a program mapping given inputs to given outputs. PBE has traditionally seen a split between formal versus neural approaches, where formal approaches typically involve deductive techniques such as SAT solvers and types, while the neural approaches involve training on sample input-outputs with their corresponding program, typically using sequence-based machine learning techniques such as LSTMs [41]. As a result of this split, programming types had yet to be used in neural program synthesis techniques. We propose a way to incorporate programming types into a neural program synthesis approach for PBE. We introduce the Typed Neuro-Symbolic Program Synthesis (TNSPS) method based on this idea, and test it in the functional programming context to empirically verify type information may help improve generalization in neural synthesizers on limited-size datasets. Our TNSPS model builds upon the existing Neuro-Symbolic Program Synthesis (NSPS), a tree-based neural synthesizer combining info from input-output examples plus the current program, by further exposing information on types of those input-output examples, of the grammar production rules, as well as of the hole that we wish to expand in the program. We further explain how we generated a dataset within our domain, which uses a limited subset of Haskell as the synthesis language. Finally we discuss several topics of interest that may help take these ideas further. For reproducibility, we release our code publicly.
• Abstract（参考訳）: この論文では、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。 pbeは伝統的に形式的アプローチと神経的アプローチの2つに分かれており、形式的アプローチは一般にsatソルバや型のような推論的手法を伴い、一方、神経的アプローチは対応するプログラムでサンプル入力出力をトレーニングし、典型的にはlstms[41]のようなシーケンスベースの機械学習技術を使用する。 この分割の結果、プログラミングの型は、まだニューラルプログラム合成技術に使われていなかった。 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。 本稿では,このアイデアに基づいて,TNSPS(Typed Neuro-Symbolic Program Synthesis)法を導入し,これを関数型プログラミングの文脈で検証することにより,限定サイズのデータセット上でのニューラルシンセサイザーの一般化を実証的に検証する。 tnspsモデルは、入力出力サンプルからの情報と現在のプログラムを組み合わせるツリーベースのニューラルシンセサイザーである、既存のニューロシンボリックプログラム合成(nsps)に基づいており、これらの入力出力サンプルの種類、文法生成ルール、プログラムで拡張したいホールに関する情報をさらに公開しています。 我々はさらに、合成言語としてhaskellの限られたサブセットを使用するドメイン内でデータセットをどのように生成したかを説明します。 最後に、これらのアイデアをさらに深めるのに役立ついくつかの関心事について論じる。 再現性のため、コードを公開しています。

関連論文リスト

• The Predictive Forward-Forward Algorithm [79.07468367923619]
  本稿では,ニューラルネットワークにおける信頼割当を行うための予測フォワード(PFF)アルゴリズムを提案する。 我々は,有向生成回路と表現回路を同時に同時に学習する,新しい動的リカレントニューラルネットワークを設計する。 PFFは効率よく学習し、学習信号を伝達し、フォワードパスのみでシナプスを更新する。
  論文  参考訳（メタデータ） (2023-01-04T05:34:48Z)
• 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)
• Toward Neural-Network-Guided Program Synthesis and Verification [26.706421573322952]
  ニューラルネットワーク誘導合成という,プログラムと不変合成の新しい枠組みを提案する。 まず、ニューラルネットワークの設計とトレーニングによって、訓練されたニューラルネットワークの重みとバイアスから整数上の論理式を抽出できることを示します。 この考え方に基づき、正負の例と含意制約から公式を合成するツールを実装した。
  論文  参考訳（メタデータ） (2021-03-17T03:09:05Z)
• 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)
• Code Building Genetic Programming [0.0]
  我々は、コード構築遺伝プログラミング(CBGP)を、これを実現するためのフレームワークとして紹介する。 CBGPは、ホスト言語のソースコードに実行または変換できる計算グラフを生成する。
  論文  参考訳（メタデータ） (2020-08-09T04:33:04Z)
• 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)
• PLANS: Robust Program Learning from Neurally Inferred Specifications [0.0]
  ルールベースのアプローチは、教師なしの方法で正確性を保証する一方で、ニューラルネットワークは生の高次元入力に対してより現実的にスケーラブルである。 本稿では,視覚観測からプログラムを合成するためのハイブリッドモデルPLANSを紹介する。 我々は,Karel と ViZDoom 環境における様々なデモビデオから,プログラム合成における最先端のパフォーマンスを得る。
  論文  参考訳（メタデータ） (2020-06-05T08:51:34Z)
• Synthetic Datasets for Neural Program Synthesis [66.20924952964117]
  本稿では,プログラムと仕様の両方で合成データ分布のバイアスを制御し,評価するための新しい手法を提案する。 そこで我々は,Karel DSLと小さなCalculator DSLを用いて,これらの分布上でのディープネットワークのトレーニングにより,分散一般化性能が向上することが実証された。
  論文  参考訳（メタデータ） (2019-12-27T21:28:10Z)

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。