Fugu-MT 論文翻訳(概要): Automating Program Structure Classification

論文の概要: Automating Program Structure Classification

arxiv url: http://arxiv.org/abs/2101.10087v1
Date: Fri, 15 Jan 2021 21:24:37 GMT
ステータス: 処理完了
システム内更新日: 2021-03-28 11:11:40.508008
Title: Automating Program Structure Classification
Title（参考訳）: プログラム構造分類の自動化
Authors: Will Crichton, Georgia Gabriela Sampaio, Pat Hanrahan
Abstract要約: 本稿では,教師付き機械学習手法が,学生プログラムを所定の高次構造に分類する方法について述べる。 108のプログラムでトレーニングすると、これらのモデルが91%の分類精度を達成できることを実証する。
参考スコア（独自算出の注目度）: 6.215059642140581
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: When students write programs, their program structure provides insight into their learning process. However, analyzing program structure by hand is time-consuming, and teachers need better tools for computer-assisted exploration of student solutions. As a first step towards an education-oriented program analysis toolkit, we show how supervised machine learning methods can automatically classify student programs into a predetermined set of high-level structures. We evaluate two models on classifying student solutions to the Rainfall problem: a nearest-neighbors classifier using syntax tree edit distance and a recurrent neural network. We demonstrate that these models can achieve 91% classification accuracy when trained on 108 programs. We further explore the generality, trade-offs, and failure cases of each model.
Abstract（参考訳）: 学生がプログラムを書くとき、プログラムの構造は学習過程に関する洞察を与える。しかし,プログラム構造を手作業で解析するには時間を要するため,コンピュータ支援による学生ソリューション探索のためのより良いツールが必要である。教育指向プログラム分析ツールキットに向けた第一歩として,教師付き機械学習手法が,学生プログラムを所定の高レベル構造に自動的に分類できることを示す。降雨問題に対する学生ソリューションの分類に関する2つのモデルについて評価した。構文木編集距離と再帰的ニューラルネットワークを用いた最寄り-neighbors分類器である。 108プログラムでトレーニングすると,これらのモデルが91%の分類精度が得られることを示す。さらに,各モデルの汎用性やトレードオフ,障害事例についても検討する。

関連論文リスト

Multi-Task Program Error Repair and Explanatory Diagnosis [28.711745671275477]
マルチタスクプログラムエラー修復・説明診断(mPRED)のための新しい機械学習手法を提案する。ソースコードのエンコードには事前訓練された言語モデルが使用され、ダウンストリームモデルはエラーを特定して修復するために特別に設計されている。プログラム構造を可視化・解析するために,プログラム構造の可視化にグラフニューラルネットワークを用いる。
論文参考訳（メタデータ） (2024-10-09T05:09:24Z)
Learning from Self-Sampled Correct and Partially-Correct Programs [96.66452896657991]
そこで本研究では,モデルが学習中にサンプリングを行い,自己サンプリングされた完全正当プログラムと部分正当プログラムの両方から学習することを提案する。自己サンプリング型プログラムと部分修正型プログラムを併用することで,学習とサンプリングプロセスのガイドに役立てることができることを示す。提案手法は,MLEを用いた単一の参照プログラムからの学習と比較して,パス@kの性能を3.1%から12.3%向上させる。
論文参考訳（メタデータ） (2022-05-28T03:31:07Z)
Structural Analysis of Branch-and-Cut and the Learnability of Gomory Mixed Integer Cuts [88.94020638263467]
ブランチ・アンド・カット(ブランチ・アンド・カット)として知られる分岐・アンド・バウンドアルゴリズムにおける切断平面の組み入れは、現代の整数計画解法のバックボーンを形成する。入力整数プログラムに付加される切断平面を定義するパラメータの変化により、アルゴリズムの各ステップがどのように影響を受けるかをピン留めする、分岐切断の新たな構造解析を行う。この分析の主な応用は、機械学習を用いてブランチ・アンド・カット時にどの切断面を適用するかを決定するためのサンプルの複雑性保証を導出することである。
論文参考訳（メタデータ） (2022-04-15T03:32:40Z)
Goal Agnostic Planning using Maximum Likelihood Paths in Hypergraph World Models [1.370633147306388]
本稿では,ハイパーグラフに基づく機械学習アルゴリズム,データ構造駆動型メンテナンス手法,およびDijkstraのアルゴリズムの確率的応用に基づく計画アルゴリズムを提案する。このアルゴリズムが問題空間内の最適解を決定すること、数学的に有界な学習性能を証明し、時間を通してシステム状態の進行を解析する数学的モデルを提供する。
論文参考訳（メタデータ） (2021-10-18T16:22:33Z)
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)
ProtoTransformer: A Meta-Learning Approach to Providing Student Feedback [54.142719510638614]
本稿では,フィードバックを数発の分類として提供するという課題について考察する。メタラーナーは、インストラクターによるいくつかの例から、新しいプログラミング質問に関する学生のコードにフィードバックを与えるように適応します。本手法は,第1段階の大学が提供したプログラムコースにおいて,16,000名の学生試験ソリューションに対するフィードバックの提供に成功している。
論文参考訳（メタデータ） (2021-07-23T22:41:28Z)
Early Performance Prediction using Interpretable Patterns in Programming Process Data [13.413990352918098]
リッチできめ細かいログデータを活用して、学生コースの結果を予測するモデルを構築します。我々は,ブロックベースの入門プログラミングコースにおける106人の学生のデータセットに対するアプローチを評価した。
論文参考訳（メタデータ） (2021-02-10T22:46:45Z)
BUSTLE: Bottom-Up Program Synthesis Through Learning-Guided Exploration [72.88493072196094]
プログラムのボトムアップ検索に学習を活用する新しい合成手法を提案する。特に、入力出力例のセットに基づいて、探索条件中の中間値の合成を優先順位付けするようにモデルを訓練する。単純な教師付き学習アプローチであっても,学習とボトムアップ検索の組み合わせは極めて効果的であることを示す。
論文参考訳（メタデータ） (2020-07-28T17:46:18Z)
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)
Strong Generalization and Efficiency in Neural Programs [69.18742158883869]
本稿では,ニューラルプログラム誘導の枠組みを強く一般化する効率的なアルゴリズムを学習する問題について検討する。ニューラルネットワークの入力/出力インターフェースを慎重に設計し、模倣することで、任意の入力サイズに対して正しい結果を生成するモデルを学ぶことができる。
論文参考訳（メタデータ） (2020-07-07T17:03:02Z)
Automatic Gesture Recognition in Robot-assisted Surgery with Reinforcement Learning and Tree Search [63.07088785532908]
共同手術におけるジェスチャー分割と分類のための強化学習と木探索に基づく枠組みを提案する。我々のフレームワークは,JIGSAWSデータセットのサチューリングタスクにおいて,精度,編集スコア,F1スコアの点で,既存の手法よりも一貫して優れています。
論文参考訳（メタデータ） (2020-02-20T13:12:38Z)

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。