論文の概要: BF++: a language for general-purpose program synthesis

• arxiv url: http://arxiv.org/abs/2101.09571v3
• Date: Thu, 18 Feb 2021 20:24:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-20 10:49:45.950699
• Title: BF++: a language for general-purpose program synthesis
• Title（参考訳）: BF++:汎用プログラム合成のための言語
• Authors: Vadim Liventsev, Aki H\"arm\"a and Milan Petkovi\'c
• Abstract要約: 強化学習(RL)に基づく技術決定システムのほとんどの状態は、データ駆動型ブラックボックスニューラルモデルである。 我々は,部分可観測マルコフ決定過程におけるエージェントの自動プログラミング用に設計された新しいプログラミング言語bf++を提案する。
• 参考スコア（独自算出の注目度）: 0.483420384410068
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Most state of the art decision systems based on Reinforcement Learning (RL) are data-driven black-box neural models, where it is often difficult to incorporate expert knowledge into the models or let experts review and validate the learned decision mechanisms. Knowledge-insertion and model review are important requirements in many applications involving human health and safety. One way to bridge the gap between data and knowledge driven systems is program synthesis: replacing a neural network that outputs decisions with a symbolic program generated by a neural network or by means of genetic programming. We propose a new programming language, BF++, designed specifically for automatic programming of agents in a Partially Observable Markov Decision Process (POMDP) setting and apply neural program synthesis to solve standard OpenAI Gym benchmarks.
• Abstract（参考訳）: 強化学習(rl)に基づく技術判断システムのほとんどは、データ駆動のブラックボックスニューラルモデルであり、モデルに専門家の知識を取り入れたり、専門家が学習した意思決定メカニズムをレビューしたり検証したりするのは難しい。 知識挿入とモデルレビューは、人間の健康と安全に関わる多くのアプリケーションにおいて重要な要件である。 データと知識駆動システムのギャップを埋める1つの方法はプログラム合成である。ニューラルネットワークによって生成されたシンボルプログラムや遺伝的プログラミングによって決定を出力するニューラルネットワークを置き換える。 我々は,部分可観測マルコフ決定プロセス (pomdp) におけるエージェントの自動プログラミング用に設計された新しいプログラミング言語bf++を提案し,標準openaiジムベンチマークの解法にニューラルネットワーク合成を適用する。

関連論文リスト

• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• The Role of Foundation Models in Neuro-Symbolic Learning and Reasoning [54.56905063752427]
  Neuro-Symbolic AI(NeSy)は、AIシステムの安全なデプロイを保証することを約束している。 ニューラルネットワークとシンボリックコンポーネントを順次トレーニングする既存のパイプラインは、広範なラベリングを必要とする。 新しいアーキテクチャであるNeSyGPTは、生データから象徴的特徴を抽出する視覚言語基盤モデルを微調整する。
  論文  参考訳（メタデータ） (2024-02-02T20:33:14Z)
• COOL: A Constraint Object-Oriented Logic Programming Language and its Neural-Symbolic Compilation System [0.0]
  我々は論理的推論とニューラルネットワーク技術をシームレスに組み合わせたCOOLプログラミング言語を紹介した。 COOLはデータ収集を自律的に処理するために設計されており、ユーザから供給される初期データの必要性を軽減している。 ユーザプロンプトをコーディングプロセスに組み込んで、トレーニング中のリスクを低減し、ライフサイクルを通じてモデル間のインタラクションを強化する。
  論文  参考訳（メタデータ） (2023-11-07T06:29:59Z)
• Neuro-Symbolic Learning of Answer Set Programs from Raw Data [54.56905063752427]
  Neuro-Symbolic AIは、シンボリックテクニックの解釈可能性と、生データから学ぶ深層学習の能力を組み合わせることを目的としている。 本稿では,ニューラルネットワークを用いて生データから潜在概念を抽出するNSIL(Neuro-Symbolic Inductive Learner)を提案する。 NSILは表現力のある知識を学習し、計算的に複雑な問題を解き、精度とデータ効率の観点から最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-05-25T12:41:59Z)
• MRKL Systems: A modular, neuro-symbolic architecture that combines large language models, external knowledge sources and discrete reasoning [50.40151403246205]
  巨大な言語モデル(LM)は、自然言語ベースの知識タスクのゲートウェイとして機能する、AIの新しい時代を支えている。 離散的な知識と推論モジュールによって補完される、複数のニューラルモデルによる柔軟なアーキテクチャを定義する。 本稿では,MRKL(Modular Reasoning, Knowledge and Language)システムと呼ばれる,このニューロシンボリックアーキテクチャについて述べる。
  論文  参考訳（メタデータ） (2022-05-01T11:01:28Z)
• 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)
• Understanding Neural Code Intelligence Through Program Simplification [3.9704927572880253]
  コードインテリジェンスシステムにおけるモデルに対する重要な入力特徴を特定するためのモデルに依存しないアプローチを提案する。 当社のアプローチであるSIVANDでは,CIモデルの入力プログラムのサイズを縮小する単純化手法を採用しています。 SIVANDの抽出した特徴は、ニューラルCIシステムの予測と学習行動を理解するのに役立つと信じている。
  論文  参考訳（メタデータ） (2021-06-07T05:44:29Z)
• Neurogenetic Programming Framework for Explainable Reinforcement Learning [0.483420384410068]
  本稿では,仮想ニューロジェネティック・プログラマの概念を用いて,両方のアプローチを組み合わせる新しい手法を提案する。 我々は、さまざまなOpenAI Gymタスクに対して、パフォーマンスと説明可能なソリューションを提供する能力を示し、そうでなければ、データ駆動によるソリューション探索に専門家の知識を注入する能力を示した。
  論文  参考訳（メタデータ） (2021-02-08T14:26:02Z)
• Model-Based Deep Learning [155.063817656602]
  信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。 ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。 私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
  論文  参考訳（メタデータ） (2020-12-15T16:29:49Z)
• On the Generalizability of Neural Program Models with respect to Semantic-Preserving Program Transformations [25.96895574298886]
  意味保存変換に対するニューラルプログラムモデルの一般化性を評価する。 コードには3つの異なるサイズのJavaデータセットと3つの最先端ニューラルネットワークモデルを使用します。 本結果は,抽象構文木のみに基づくニューラルプログラムモデルよりも,プログラム内のデータおよび制御依存性に基づくニューラルプログラムモデルの方が一般化可能であることを示唆している。
  論文  参考訳（メタデータ） (2020-07-31T20:39:20Z)
• 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)

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。