Fugu-MT 論文翻訳(概要): Learning programs by combining programs

論文の概要: Learning programs by combining programs

arxiv url: http://arxiv.org/abs/2206.01614v1
Date: Wed, 1 Jun 2022 10:07:37 GMT
ステータス: 処理完了
システム内更新日: 2022-06-07 09:13:25.715574
Title: Learning programs by combining programs
Title（参考訳）: プログラムを組み合わせた学習プログラム
Authors: Andrew Cropper
Abstract要約: 帰納論理プログラミングの目標は、例を一般化する一連のルールを誘導することである。プログラムを断片に分解し、断片を個別に学習し、それらを組み合わせます。我々のアプローチは予測精度を高め、既存のアプローチと比較して学習時間を短縮することができる。
参考スコア（独自算出の注目度）: 18.27510863075184
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: The goal of inductive logic programming is to induce a set of rules (a logic program) that generalises examples. Inducing programs with many rules and literals is a major challenge. To tackle this challenge, we decompose programs into \emph{non-separable} fragments, learn fragments separately, and then combine them. We implement our approach in a generate, test, combine, and constrain loop. Our anytime approach can learn optimal, recursive, and large programs and supports predicate invention. Our experiments on multiple domains (including program synthesis and inductive general game playing) show that our approach can increase predictive accuracies and reduce learning times compared to existing approaches.
Abstract（参考訳）: 帰納論理プログラミングの目標は、例を一般化する一連のルール(論理プログラム)を誘導することである。多くの規則とリテラルでプログラムを誘導することは大きな課題である。この課題に取り組むために、プログラムを \emph{non-separable} フラグメントに分解し、個別にフラグメントを学び、それらを組み合わせる。私たちは、生成、テスト、組み合わせ、制約ループでアプローチを実装しています。当社のanytimeアプローチは,最適かつ再帰的,大規模プログラムを学習し,述語発明を支援する。プログラム合成や帰納的汎用ゲームプレイを含む複数の領域に対する実験により,既存の手法と比較して予測精度を高め,学習時間を短縮できることが示された。

関連論文リスト

Learning logic programs by finding minimal unsatisfiable subprograms [24.31242130341093]
最小不満足なサブプログラム (MUSP) を識別する ILP アプローチを導入する。プログラム合成やゲームプレイなど,複数の領域での実験を行った結果,学習時間を99%短縮できることがわかった。
論文参考訳（メタデータ） (2024-01-29T18:24:16Z)
Learning MDL logic programs from noisy data [19.749004264961492]
ノイズの多いデータから最小記述長プログラムを学習する手法を提案する。薬物設計やゲームプレイ,プログラム合成など,いくつかの分野での実験を行った結果,既存のアプローチよりも優れていることがわかった。
論文参考訳（メタデータ） (2023-08-18T08:49:30Z)
Hierarchical Programmatic Reinforcement Learning via Learning to Compose Programs [58.94569213396991]
プログラムポリシーを作成するための階層型プログラム強化学習フレームワークを提案する。提案するフレームワークは,プログラム作成の学習を通じて,アウト・オブ・ディストリビュータの複雑な動作を記述するプログラムポリシーを作成することができる。 Karel ドメインの実験結果から,提案するフレームワークがベースラインより優れていることが示された。
論文参考訳（メタデータ） (2023-01-30T14:50:46Z)
Relational program synthesis with numerical reasoning [18.27510863075184]
本稿では,関係学習と数値推論を組み合わせた帰納論理プログラミング手法を提案する。我々の手法はNUMSYNTHと呼ばれ、満足度変調理論を用いて数値付きプログラムを効率的に学習する。ゲームプレイとプログラム合成を含む4つの異なる領域に関する実験により,線形算術的推論からプログラムを学習し,予測精度と学習時間で既存手法より優れていることを示す。
論文参考訳（メタデータ） (2022-10-03T08:41:04Z)
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)
Learning logic programs through divide, constrain, and conquer [22.387008072671005]
古典的な分母探索と近代的な制約駆動探索を組み合わせた帰納論理プログラミング手法を提案する。 3つのドメイン(分類、帰納的汎用ゲームプレイ、プログラム合成)に対する実験により、我々のアプローチは予測精度を高め、学習時間を短縮できることが示された。
論文参考訳（メタデータ） (2021-09-16T09:08:04Z)
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)
Learning to Synthesize Programs as Interpretable and Generalizable Policies [25.258598215642067]
本稿では,プログラムの合成を学習するフレームワークについて述べる。実験の結果,提案フレームワークは,タスク解決プログラムを確実に合成するだけでなく,DRLやプログラム合成ベースラインよりも優れていることがわかった。
論文参考訳（メタデータ） (2021-08-31T07:03:06Z)
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)
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)
The ILASP system for Inductive Learning of Answer Set Programs [79.41112438865386]
我々のシステムは、通常の規則、選択規則、厳しい制約を含むアンサーセットプログラムを学習する。まず、ILASPの学習フレームワークとその機能の概要を説明します。続いて、ILASPシステムの進化を概観する。
論文参考訳（メタデータ） (2020-05-02T19:04:12Z)

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。