論文の概要: Learning functional programs with function invention and reuse

• arxiv url: http://arxiv.org/abs/2011.08881v1
• Date: Tue, 17 Nov 2020 19:11:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-24 16:19:46.096301
• Title: Learning functional programs with function invention and reuse
• Title（参考訳）: 機能発明と再利用による機能プログラムの学習
• Authors: Andrei Diaconu
• Abstract要約: 本稿では,IPのサブフィールドであるインダクティブ関数型プログラミング(IFP)について述べる。 モジュール型関数型プログラムを生成するというアイデアと,それらが関数の再利用を可能にする方法について検討する。 様々な問題に対して再利用が重要であり(重要ではないとしても)、一般に関数再利用の恩恵を受けるプログラムの2つの幅広いクラスを区別する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inductive programming (IP) is a field whose main goal is synthesising programs that respect a set of examples, given some form of background knowledge. This paper is concerned with a subfield of IP, inductive functional programming (IFP). We explore the idea of generating modular functional programs, and how those allow for function reuse, with the aim to reduce the size of the programs. We introduce two algorithms that attempt to solve the problem and explore type based pruning techniques in the context of modular programs. By experimenting with the implementation of one of those algorithms, we show reuse is important (if not crucial) for a variety of problems and distinguished two broad classes of programs that will generally benefit from function reuse.
• Abstract（参考訳）: 帰納的プログラミング(英: inductive programming、ip)は、ある形態の背景知識を与えられた例の集合を尊重するプログラムの合成を主な目的とする分野である。 本稿では,IPのサブフィールドであるインダクティブ関数型プログラミング(IFP)について述べる。 我々は,モジュール化された関数型プログラムを生成するというアイデアと,それらのプログラムのサイズを減らすことを目的として,関数の再利用を可能にする方法について検討する。 そこで我々は,この問題を解こうとする2つのアルゴリズムを紹介し,モジュラープログラムの文脈で型ベースプルーニング手法を検討する。 これらのアルゴリズムの1つの実装を実験することにより、様々な問題に対して再利用が重要(重要ではないとしても)であることが示され、関数再利用の恩恵を受ける2つの幅広いプログラムを区別する。

関連論文リスト

• 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)
• Hierarchical Programmatic Reinforcement Learning via Learning to Compose Programs [58.94569213396991]
  プログラムポリシーを作成するための階層型プログラム強化学習フレームワークを提案する。 提案するフレームワークは,プログラム作成の学習を通じて,アウト・オブ・ディストリビュータの複雑な動作を記述するプログラムポリシーを作成することができる。 Karel ドメインの実験結果から,提案するフレームワークがベースラインより優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-30T14:50:46Z)
• Learning logic programs by combining programs [24.31242130341093]
  我々は、小さな非分離型プログラムを学習し、それらを組み合わせるアプローチを導入する。 我々は制約駆動型LPシステムにアプローチを実装した。 ゲームプレイやプログラム合成など,複数の領域に対する実験により,既存のアプローチを劇的に上回る結果が得られた。
  論文  参考訳（メタデータ） (2022-06-01T10:07:37Z)
• ProTo: Program-Guided Transformer for Program-Guided Tasks [59.34258016795216]
  我々は,学習者が与えられたタスク仕様に基づいて所定のプログラムを実行することを要求されるプログラム誘導タスクを定式化する。 本稿では,プログラムの意味的ガイダンスと構造的ガイダンスを統合したProTo(Proto)を提案する。 ProToは学習された潜在空間でプログラムを実行し、従来のニューラルシンボリックアプローチよりも強力な表現能力を持っている。
  論文  参考訳（メタデータ） (2021-10-02T13:46:32Z)
• Learning compositional programs with arguments and sampling [12.790055619773565]
  私たちは、特定の要件を満たすプログラムを見つけるために、機械学習モデルをトレーニングします。 我々は、引数を受理できる関数を生成することを学ぶことによって、アートモデルAlphaNPIの状態を拡張します。
  論文  参考訳（メタデータ） (2021-09-01T21:27:41Z)
• Learning to Synthesize Programs as Interpretable and Generalizable Policies [25.258598215642067]
  本稿では,プログラムの合成を学習するフレームワークについて述べる。 実験の結果,提案フレームワークは,タスク解決プログラムを確実に合成するだけでなく,DRLやプログラム合成ベースラインよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-08-31T07:03:06Z)
• Leveraging Language to Learn Program Abstractions and Search Heuristics [66.28391181268645]
  LAPS(Language for Abstraction and Program Search)は、自然言語アノテーションを用いて、ライブラリとニューラルネットワークによる合成のための検索モデルの共同学習をガイドする手法である。 最先端のライブラリ学習システム(DreamCoder)に統合されると、LAPSは高品質なライブラリを生成し、検索効率と一般化を改善する。
  論文  参考訳（メタデータ） (2021-06-18T15:08:47Z)
• How could Neural Networks understand Programs? [67.4217527949013]
  ソースコードにnlpプリトレーニング技術を直接適用するか、あるいはtheshelfによってモデルに機能を追加するかで、プログラムをより理解するためのモデルを構築するのは難しい。 本研究では,(1)操作セマンティクスの基本操作とよく一致する表現と(2)環境遷移の情報からなる情報から,モデルが学ぶべき新しいプログラムセマンティクス学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T12:21:42Z)
• Learning Differentiable Programs with Admissible Neural Heuristics [43.54820901841979]
  ドメイン固有言語におけるプログラムとして表現される微分可能関数の学習問題について検討する。 我々は、この最適化問題を、プログラム構文のトップダウン導出を符号化した重み付きグラフの探索として構成する。 私たちの重要なイノベーションは、さまざまなニューラルネットワークのクラスを、プログラムの空間上の連続的な緩和と見なすことです。
  論文  参考訳（メタデータ） (2020-07-23T16:07:39Z)
• How to Increase Interest in Studying Functional Programming via Interdisciplinary Application [0.0]
  関数型プログラミングにおける技術の現状は、このパラダイムにおける方法論の増加を報告している。 我々のゴールは、アプリケーション(レイトレーサ)を用いて関数型プログラミングのさらなる研究を進めることへの学生の関心を高めることである。
  論文  参考訳（メタデータ） (2020-07-21T20:08:54Z)
• Can We Learn Heuristics For Graphical Model Inference Using Reinforcement Learning? [114.24881214319048]
  我々は、強化学習を用いて、高次条件ランダム場(CRF)における推論を解くためのプログラム、すなわち、ポリシーを学習できることを示します。 本手法は,ポテンシャルの形式に制約を加えることなく,推論タスクを効率的に解く。
  論文  参考訳（メタデータ） (2020-04-27T19:24:04Z)

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。