論文の概要: Communicating Natural Programs to Humans and Machines

• arxiv url: http://arxiv.org/abs/2106.07824v4
• Date: Sat, 20 May 2023 01:19:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-24 06:44:10.576107
• Title: Communicating Natural Programs to Humans and Machines
• Title（参考訳）: 自然プログラムを人間や機械に伝える
• Authors: Samuel Acquaviva, Yewen Pu, Marta Kryven, Theodoros Sechopoulos, Catherine Wong, Gabrielle E Ecanow, Maxwell Nye, Michael Henry Tessler, Joshua B. Tenenbaum
• Abstract要約: ARC(Abstraction and Reasoning Corpus)は、エージェントが柔軟に新しい問題を解決する能力をテストする手続き的なタスクのセットである。 人間は汎用言語で容易に命令を生成・解釈するが、コンピュータシステムは狭いドメイン固有言語に分解される。 我々は、収集した命令を「自然プログラム」として分析し、それらがコンピュータプログラムに似ているが、2つの点で異なることを発見した。
• 参考スコア（独自算出の注目度）: 43.00640440047027
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Abstraction and Reasoning Corpus (ARC) is a set of procedural tasks that tests an agent's ability to flexibly solve novel problems. While most ARC tasks are easy for humans, they are challenging for state-of-the-art AI. What makes building intelligent systems that can generalize to novel situations such as ARC difficult? We posit that the answer might be found by studying the difference of \emph{language}: While humans readily generate and interpret instructions in a general language, computer systems are shackled to a narrow domain-specific language that they can precisely execute. We present LARC, the \textit{Language-complete ARC}: a collection of natural language descriptions by a group of human participants who instruct each other on how to solve ARC tasks using language alone, which contains successful instructions for 88\% of the ARC tasks. We analyze the collected instructions as `natural programs', finding that while they resemble computer programs, they are distinct in two ways: First, they contain a wide range of primitives; Second, they frequently leverage communicative strategies beyond directly executable codes. We demonstrate that these two distinctions prevent current program synthesis techniques from leveraging LARC to its full potential, and give concrete suggestions on how to build the next-generation program synthesizers.
• Abstract（参考訳）: ARC(Abstraction and Reasoning Corpus)は、エージェントが新しい問題を柔軟に解決する能力をテストする一連の手続き的タスクである。 ほとんどのARCタスクは人間にとって簡単だが、最先端のAIでは難しい。 ARCのような新しい状況に一般化できるインテリジェントシステムを構築するのはなぜ難しいのか? 人間は一般的な言語で容易に命令を生成し解釈するが、コンピュータシステムは、正確に実行可能な狭いドメイン固有言語に固定される。 我々は,arcタスクの88\%の命令を含む言語単独でarcタスクの解法を相互に指示する,人間のグループによる自然言語記述の集合である \textit{language-complete arc} を提案する。 収集した命令を「自然なプログラム」として分析し、コンピュータプログラムと似ているが、それらは2つの点で区別される: まず、幅広いプリミティブを含む; 次に、直接実行可能コードを超えて、コミュニケーション戦略を頻繁に活用する。 これら2つの区別は,現在のプログラム合成技術がlarcを最大限に活用することを妨げることを示し,次世代プログラムシンセサイザの構築方法について具体的な提案を行う。

関連論文リスト

• Symbolic Learning Enables Self-Evolving Agents [55.625275970720374]
  エージェントシンボリックラーニング(エージェントシンボリックラーニング)(エージェントシンボリックラーニング)は、言語エージェントが自分自身で最適化できるための体系的なフレームワークである。 エージェント記号学習は、コネクショナリズム学習における2つの基本的なアルゴリズムを模倣することにより、言語エージェント内のシンボルネットワークを最適化するように設計されている。 我々は、標準ベンチマークと複雑な実世界のタスクの両方で概念実証実験を行う。
  論文  参考訳（メタデータ） (2024-06-26T17:59:18Z)
• AIOS Compiler: LLM as Interpreter for Natural Language Programming and Flow Programming of AI Agents [38.580779075892636]
  我々は、コード表現と実行(CoRE)のための新しいシステムを開発する。 提案システムは,自然言語プログラミング,擬似コードプログラミング,フロープログラミングを同一表現で統合し,言語エージェントを構築する。 実行中に、冗長性を最小化するために外部メモリを組み込む。
  論文  参考訳（メタデータ） (2024-05-11T04:29:03Z)
• Program Synthesis using Inductive Logic Programming for the Abstraction and Reasoning Corpus [1.9662978733004604]
  ARC(Abstraction and Reasoning Corpus)は、任意の機械学習手法では解決できない。 本稿では,AIの分岐であるインダクティブ論理プログラミング(ILP)を用いてARCを解くプログラム合成システムを提案する。
  論文  参考訳（メタデータ） (2024-05-10T11:22:31Z)
• Neural networks for abstraction and reasoning: Towards broad generalization in machines [3.165509887826658]
  我々は Abstraction & Reasoning Corpus (ARC) を解くための新しいアプローチについて検討する。 本研究では,DreamCoderのニューロシンボリック推論解法をARCに適用する。 我々は、DreamCoderがARCタスクを解くことを可能にするPeARL(Perceptual Abstraction and Reasoning Language)言語を提示する。 ARCに関する今後の研究を容易にするために、arckit Pythonライブラリを公開しています。
  論文  参考訳（メタデータ） (2024-02-05T20:48:57Z)
• kNN-ICL: Compositional Task-Oriented Parsing Generalization with Nearest Neighbor In-Context Learning [50.40636157214161]
  Task-Oriented Parsing (TOP)により、会話アシスタントは自然言語で表現されたユーザーコマンドを解釈できる。 LLMは、自然言語のプロンプトに基づいて、コンピュータプログラムにおいて印象的な性能を達成した。 本稿では,LLMのセマンティック解析機能を活用することに焦点を当てる。
  論文  参考訳（メタデータ） (2023-12-17T17:26:50Z)
• Abstract Visual Reasoning Enabled by Language [8.627180519837657]
  ARCを解くための一般学習型フレームワークを提案する。 タスクをビジョンから言語領域に変換することに集中しています。 言語と視覚のこの構成により、各段階で事前訓練されたモデルを利用することができる。
  論文  参考訳（メタデータ） (2023-03-07T17:52:46Z)
• Neuro-Symbolic Causal Language Planning with Commonsense Prompting [67.06667162430118]
  言語プランニングは、より単純な低レベルステップに分解することで、複雑な高レベルな目標を実装することを目的としている。 以前の手法では、大規模な言語モデルからそのような能力を得るために、手動の例えか注釈付きプログラムが必要である。 本稿では,LLMからの手続き的知識をコモンセンス・インフュージョン・プロンプトにより引き起こすニューロシンボリック因果言語プランナー(CLAP)を提案する。
  論文  参考訳（メタデータ） (2022-06-06T22:09:52Z)
• LISA: Learning Interpretable Skill Abstractions from Language [85.20587800593293]
  言語条件による実演から多種多様な解釈可能なスキルを学習できる階層型模倣学習フレームワークを提案する。 本手法は, 逐次的意思決定問題において, 言語に対するより自然な条件付け方法を示す。
  論文  参考訳（メタデータ） (2022-02-28T19:43:24Z)
• Neural-guided, Bidirectional Program Search for Abstraction and Reasoning [3.2348834229786885]
  本稿では, ブルートフォース探索をベースとしない抽象化と推論の2つのアプローチの基礎を定めている。 まずDreamCoderと呼ばれる既存のプログラム合成システムを用いて、これまで解決されてきたタスクからシンボリックな抽象化を作成する。 第二に、人間がARCに近づく方法によって動機付けられた推論アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2021-10-22T00:41:47Z)
• 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)

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。