論文の概要: Tensors Fitting Perfectly

• arxiv url: http://arxiv.org/abs/2102.13254v1
• Date: Fri, 26 Feb 2021 01:35:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-01 16:50:17.036497
• Title: Tensors Fitting Perfectly
• Title（参考訳）: 完璧にフィットするテンソル
• Authors: Adam Paszke and Brennan Saeta
• Abstract要約: 多次元配列(NDArray)は、現代の科学計算環境における中心的な抽象化である。 NDArrayはプログラムの実行で使用する配列の配列の数が通常非常に大きいため、プログラムの推論を困難にすることができる。
• 参考スコア（独自算出の注目度）: 0.2900810893770133
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multidimensional arrays (NDArrays) are a central abstraction in modern scientific computing environments. Unfortunately, they can make reasoning about programs harder as the number of different array shapes used in an execution of a program is usually very large, and they rarely appear explicitly in program text. To make things worse, many operators make implicit assumptions about the shapes of their inputs: array addition is commonly enriched with broadcasting semantics, while matrix multiplication assumes that the lengths of contracted dimensions are equal. Because precise reasoning about shapes is crucial to write correct programs using NDArrays, and because shapes are often hard to infer from a quick glance at the program, we developed Tensors Fitting Perfectly, a static analysis tool that reasons about NDArray shapes in Swift for TensorFlow programs by synthesizing a set of shape constraints from an abstract interpretation of the program. It can both (1) check for possible inconsistencies, and (2) provide direct insights about the shapes of intermediate values appearing in the program, including via a mechanism called shape holes. The static analysis works in concert with optional runtime assertions to improve the productivity of program authors.
• Abstract（参考訳）: 多次元配列(NDArray)は、現代の科学計算環境における中心的な抽象化である。 残念なことに、プログラムの実行で使用する配列の異なる数は通常非常に大きく、プログラムテキストに明示的に現れることはめったにないため、プログラムの推論を困難にすることができる。 さらに悪いことに、多くの演算子は入力の形状について暗黙の仮定をする: 配列加算は一般に放送意味論に富み、行列乗法は収縮次元の長さが等しいと仮定する。 NDArrayを使用して正しいプログラムを書くには、形状に関する正確な推論が重要であるため、プログラムを一目で推測するのは難しいことが多いため、プログラム抽象的な解釈から形状制約のセットを合成することにより、TensorFlowプログラム用のSwiftでNDArray形状を推論する静的解析ツールであるTensors Fitting Perfectlyを開発しました。 1)不整合の可能性を確認すること,(2)プログラムに現れる中間値の形状に関する直接的な洞察を,形状ホールと呼ばれる機構を通じて提供すること,の2つが考えられる。 静的解析は、プログラム作者の生産性を改善するために、オプションのランタイムアサーションと連携して動作する。

関連論文リスト

• Statistical investigations into the geometry and homology of random programs [0.2302001830524133]
  本稿では,チャットGPTから生成したランダムなPythonプログラム間の関係を幾何学的・トポロジ的に記述する方法について述べる。 本稿では,ChatGPT-4とTinyLlamaを画像処理に関する簡単な問題で比較する。 将来、我々のアプローチはプログラミング言語の構造に新たな洞察を与えるかもしれないと推測する。
  論文  参考訳（メタデータ） (2024-07-05T20:25:02Z)
• Invariant Relations: A Bridge from Programs to Equations [1.3342735568824553]
  任意のレベルにネストしたループを持つプログラムを含む,C型プログラムの関数を導出する手法を提案する。 ループの意味を捉えるために、不変関係の概念を用いる。
  論文  参考訳（メタデータ） (2023-10-07T04:11:23Z)
• ShapeCoder: Discovering Abstractions for Visual Programs from Unstructured Primitives [44.01940125080666]
  形状のデータセットを非構造化プリミティブで表現できる最初のシステムであるShapeCoderを提案する。 ShapeCoderは、ハイレベルな関係をキャプチャし、外部自由度を排除し、より良いデータセット圧縮を実現する抽象化ライブラリの発見方法を示す。
  論文  参考訳（メタデータ） (2023-05-09T17:55:48Z)
• 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)
• Searching for More Efficient Dynamic Programs [61.79535031840558]
  本稿では,プログラム変換の集合,変換プログラムの効率を評価するための単純な指標,およびこの指標を改善するための探索手順について述べる。 実際に、自動検索は初期プログラムの大幅な改善を見出すことができることを示す。
  論文  参考訳（メタデータ） (2021-09-14T20:52:55Z)
• Enforcing Consistency in Weakly Supervised Semantic Parsing [68.2211621631765]
  本稿では,関連する入力に対する出力プログラム間の整合性を利用して,スプリアスプログラムの影響を低減することを提案する。 より一貫性のあるフォーマリズムは、一貫性に基づくトレーニングを必要とせずに、モデルパフォーマンスを改善することにつながります。
  論文  参考訳（メタデータ） (2021-07-13T03:48:04Z)
• 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)
• 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)
• Latent Programmer: Discrete Latent Codes for Program Synthesis [56.37993487589351]
  プログラム合成や文書要約などの多くのシーケンス学習タスクにおいて、重要な問題は出力シーケンスの広い空間を探索することである。 本稿では,検索対象とする出力の表現を学習することを提案する。 本稿では,まず入力/出力サンプルから離散潜在コードを予測するプログラム合成手法であるemphLatent Programmerを紹介し,そのプログラムを対象言語で生成する。
  論文  参考訳（メタデータ） (2020-12-01T10:11:35Z)
• 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。