論文の概要: Less is More: Summary of Long Instructions is Better for Program
Synthesis
- arxiv url: http://arxiv.org/abs/2203.08597v1
- Date: Wed, 16 Mar 2022 13:04:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-17 13:14:51.946749
- Title: Less is More: Summary of Long Instructions is Better for Program
Synthesis
- Title(参考訳): less is more: 長い命令の要約はプログラムの合成に優れている
- Authors: Kirby Kuznia, Swaroop Mishra, Mihir Parmar and Chitta Baral
- Abstract要約: 事前学習された言語モデル(LM)は、複雑な質問の要約版から恩恵を受けることを示す。
この結果から,問題記述に多量の情報が存在することは,課題理解のモデルには役に立たないことがわかった。
Codexの実験結果から,提案手法の精度は平均8.13%向上した。
- 参考スコア(独自算出の注目度): 20.66688303609522
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite the success of large pre-trained language models (LMs) such as Codex,
they show below-par performance on the larger and more complicated programming
related questions. We show that LMs benefit from the summarized version of
complicated questions. Our findings show that superfluous information often
present in problem description such as human characters, background stories,
names (which are included to help humans in understanding a task) does not help
models in understanding a task. To this extent, we create a meta-dataset from
the frequently used APPS dataset for the program synthesis task. Our
meta-dataset consists of human and synthesized summary of the long and
complicated programming questions. Experimental results on Codex show that our
proposed approach outperforms baseline by 8.13% on an average in terms of
strict accuracy. Our analysis shows that summary significantly improve
performance for introductory (9.86%) and interview (11.48%) related programming
questions. However, it shows improvement by a small margin (~2%) for
competitive programming questions, implying the scope for future research
direction.
- Abstract(参考訳): Codexのような大規模な事前学習言語モデル(LM)の成功にもかかわらず、より大規模で複雑なプログラミング関連の質問に対して以下のパフォーマンスを示す。
複雑な質問の要約版からLMが恩恵を受けることを示す。
この結果から,人格や背景話,名前(タスク理解を支援するために含まれるもの)など,問題記述に多量の情報が存在することは,課題理解のモデルには役に立たないことがわかった。
そこで我々は,プログラム合成タスクに頻繁に使用されるAPPSデータセットからメタデータセットを作成する。
当社のメタデータセットは、長く複雑なプログラミング質問の要約を人間と合成したものです。
codexを用いた実験の結果,提案手法は,厳密な精度で平均で8.13%の精度でベースラインを上回っていることがわかった。
分析の結果, イントロダクトリ (9.86%) とインタビュー (11.48%) によるプログラミング問題のパフォーマンスは有意に向上した。
しかし、競争の激しいプログラミング問題に対してわずかなマージン(約2%)で改善が見られ、将来の研究の方向性の範囲が示唆される。
関連論文リスト
- Learning to Reduce: Optimal Representations of Structured Data in
Prompting Large Language Models [42.16047343029512]
大規模言語モデル(LLM)は汎用AIエージェントとして広く利用されている。
本稿では,入力コンテキストの縮小バージョンを生成するために,言語モデルを微調整するフレームワークであるLearning to Reduceを提案する。
入力コンテキストから関連する証拠を選択する際に,本モデルが同等の精度を達成することを示す。
論文 参考訳(メタデータ) (2024-02-22T00:41:23Z) - TaskLAMA: Probing the Complex Task Understanding of Language Models [13.336015994186955]
構造化複雑タスク分解(Structured Complex Task Decomposition, SCTD)は、複雑な現実世界のタスクを、タスク達成に寄与する個々のステップ上の有向非巡回グラフに分解する問題である。
我々は,Large Language Models (LLMs) から抽出した知識を用いて,SCTDの精度を検証した。
実験の結果,LLMは複雑なタスクを個々のステップに効果的に分解できることがわかった。
論文 参考訳(メタデータ) (2023-08-29T13:36:45Z) - ExeDec: Execution Decomposition for Compositional Generalization in
Neural Program Synthesis [59.356261137313275]
プログラム合成において望ましいいくつかの異なる構成一般化形式を特徴付ける。
次に,ExeDecを提案する。ExeDecは,実行サブゴールを予測して問題を段階的に解決する,新しい分解ベースの戦略である。
論文 参考訳(メタデータ) (2023-07-26T01:07:52Z) - Leveraging Training Data in Few-Shot Prompting for Numerical Reasoning [10.889271604723312]
思考の連鎖(CoT)は、多くの自然言語処理タスクで有効であることが証明されている。
本研究では, 動的プログラム・プロンプトとプログラム蒸留という, 数発のプロンプトシナリオにおいて, トレーニングデータを活用するための2つの手法について検討する。
3つの標準数学語問題(MWP)データセットに関する実験により,これらの手法の有効性を実証した。
論文 参考訳(メタデータ) (2023-05-29T16:01:40Z) - Fact-Checking Complex Claims with Program-Guided Reasoning [99.7212240712869]
Program-Guided Fact-Checking (ProgramFC)は、複雑なクレームを単純なサブタスクに分解する新しいファクトチェックモデルである。
まず,大規模言語モデルの文脈内学習能力を活用して推論プログラムを生成する。
我々は,各サブタスクを対応するサブタスクハンドラに委譲することでプログラムを実行する。
論文 参考訳(メタデータ) (2023-05-22T06:11:15Z) - Task Compass: Scaling Multi-task Pre-training with Task Prefix [122.49242976184617]
既存の研究では、大規模教師付きタスクによるマルチタスク学習がタスク間の負の効果に悩まされていることが示されている。
タスク間の関係を探索するために,タスクプレフィックスガイド付きマルチタスク事前学習フレームワークを提案する。
我々のモデルは、幅広いタスクの強力な基盤バックボーンとして機能するだけでなく、タスク関係を分析するための探索ツールとしても実現可能である。
論文 参考訳(メタデータ) (2022-10-12T15:02:04Z) - Training Data is More Valuable than You Think: A Simple and Effective
Method by Retrieving from Training Data [82.92758444543689]
検索に基づく手法は,外部知識を導入してNLPタスクに有効であることが示されている。
意外なことに、Retrieving from the training datA (REINA) は複数のNLGおよびNLUタスクにおいて大きな改善をもたらすことが判明した。
実験結果から,本手法は様々なNLUタスクやNLGタスクにおいて,大幅な性能向上が期待できることがわかった。
論文 参考訳(メタデータ) (2022-03-16T17:37:27Z) - Understanding Unnatural Questions Improves Reasoning over Text [54.235828149899625]
生テキストに対する複雑な質問応答(CQA)は難しい課題である。
効果的なCQAモデルを学ぶには、大量の人間が注釈付けしたデータが必要である。
我々は、自然の人間生成の質問を非自然の機械生成の質問に投影することで、高品質なプログラマ(パーザ)を学ぶという課題に対処する。
論文 参考訳(メタデータ) (2020-10-19T10:22:16Z) - 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) - Information-theoretic User Interaction: Significant Inputs for Program
Synthesis [11.473616777800318]
重要質問問題を導入し、一般には困難であることを示す。
我々はその問題を解決するための情報理論の欲求的アプローチを開発する。
対話型プログラム合成の文脈では、上記の結果を用いてプログラム学習者を開発する。
私たちのアクティブな学習者は、偽陰性と偽陽性をトレードオフし、現実のデータセット上で少数の反復に収束することができます。
論文 参考訳(メタデータ) (2020-06-22T21:46:40Z) - How Much and When Do We Need Higher-order Information in Hypergraphs? A
Case Study on Hyperedge Prediction [15.912619060150861]
最大n方向の相互作用に関する情報を蓄積するn-射影グラフの概念を用いて,グループ間相互作用を漸進的に表現する手法を提案する。
下流タスクとして、グラフモデルを評価するための標準的なタスクであるリンク予測の拡張であるハイパーエッジ予測を考える。
論文 参考訳(メタデータ) (2020-01-30T05:21:19Z)
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。