論文の概要: Refinement Type Directed Search for Meta-Interpretive-Learning of
Higher-Order Logic Programs
- arxiv url: http://arxiv.org/abs/2102.12553v1
- Date: Thu, 18 Feb 2021 13:40:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-06 03:32:11.565671
- Title: Refinement Type Directed Search for Meta-Interpretive-Learning of
Higher-Order Logic Programs
- Title（参考訳）: 高次論理プログラムのメタ解釈学習のためのリファインメント型ダイレクトサーチ
- Authors: Rolf Morel
- Abstract要約: 我々は、型チェックがプログラムの仮説空間の大部分を掃引することができることを示した。
我々は合成節とプログラム全体の多形型を推測することができる。
- 参考スコア（独自算出の注目度）: 2.28438857884398
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The program synthesis problem within the Inductive Logic Programming (ILP)
community has typically been seen as untyped. We consider the benefits of user
provided types on background knowledge. Building on the Meta-Interpretive
Learning (MIL) framework, we show that type checking is able to prune large
parts of the hypothesis space of programs. The introduction of polymorphic type
checking to the MIL approach to logic program synthesis is validated by strong
theoretical and experimental results, showing a cubic reduction in the size of
the search space and synthesis time, in terms of the number of typed background
predicates. Additionally we are able to infer polymorphic types of synthesized
clauses and of entire programs. The other advancement is in developing an
approach to leveraging refinement types in ILP. Here we show that further
pruning of the search space can be achieved, though the SMT solving used for
refinement type checking comes
- Abstract（参考訳）: 帰納的論理プログラミング(ILP)コミュニティにおけるプログラム合成問題は、典型的には非型化されている。
ユーザ提供型が背景知識にもたらすメリットを考察する。
メタ解釈学習 (Meta-Interpretive Learning, MIL) フレームワークを基盤として, プログラムの仮説空間の大部分を型チェックが引き起こせることを示す。
論理プログラム合成に対するMIL手法への多型型チェックの導入は, 探索空間と合成時間のサイズを, 型付き背景述語数の観点から3次的に減少させるという, 理論的, 実験的な結果によって検証される。
また、合成節の多型型やプログラム全体の推論も可能である。
もう1つの進歩は、ilpのリファインメントタイプを活用するアプローチを開発することである。
ここでは検索空間のさらなる切断が可能であることを示すが、精細化型チェックに使用されるSMTの解法がやってくる。
関連論文リスト
- Inductive Predicate Synthesis Modulo Programs (Extended) [1.7372615815088566]
プログラム解析のトレンドは、入力プログラムの言語内で検証条件を符号化することである。
Inductive Predicate Synthesis Modulo Programs (IPS-MP) を提案する。
論文 参考訳（メタデータ） (2024-07-11T12:51:08Z) - A Divide-Align-Conquer Strategy for Program Synthesis [8.595181704811889]
本稿では,大規模プログラムの探索を複数の小さなプログラム合成問題に分割する例によって,構成セグメント化がプログラミングに応用可能であることを示す。
入力と出力における構成部品の構造的アライメントは、プログラム探索を導くのに使用されるペアワイズ対応に繋がる。
論文 参考訳（メタデータ） (2023-01-08T19:10:55Z) - Linear Temporal Logic Modulo Theories over Finite Traces (Extended
Version) [72.38188258853155]
有限トレース(LTLf)上の線形時間論理について検討する。
命題の文字は任意の理論で解釈された一階述語式に置き換えられる。
Satisfiability Modulo Theories (LTLfMT) と呼ばれる結果の論理は半決定可能である。
論文 参考訳（メタデータ） (2022-04-28T17:57:33Z) - A meta-probabilistic-programming language for bisimulation of
probabilistic and non-well-founded type systems [0.0]
本稿では,プログラムとプログラムが組み込まれている型システムの両方を表現可能な,確率的プログラミングのための形式メタ言語を提案する。
我々は、我々のアプローチを形式化するために、立方体型理論と依存型メタグラフの枠組みを描いている。
論文 参考訳（メタデータ） (2022-03-30T01:07:37Z) - 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) - 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) - A Reinforcement Learning Environment for Polyhedral Optimizations [68.8204255655161]
マルコフ決定過程(MDP)として多面体モデルにおける法的変換空間の形状に依存しない定式化を提案する。
変換を使う代わりに、定式化は可能なスケジュールの抽象空間に基づいている。
我々の総合的MDP定式化は、強化学習を用いて幅広いループで最適化ポリシーを学習することを可能にする。
論文 参考訳（メタデータ） (2021-04-28T12:41:52Z) - 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) - Type-driven Neural Programming by Example [0.0]
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。
論文 参考訳（メタデータ） (2020-08-28T12:30:05Z) - 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) - OptTyper: Probabilistic Type Inference by Optimising Logical and Natural
Constraints [26.80183744947193]
本稿では,論理と学習を組み合わせた確率型推論フレームワークを提案する。
TypeScriptファイルの欠落型を予測するために,OpsTyperというツールを構築しています。
論文 参考訳（メタデータ） (2020-04-01T11:32:28Z)
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。