Fugu-MT 論文翻訳(概要): Learning programs with magic values

論文の概要: Learning programs with magic values

arxiv url: http://arxiv.org/abs/2208.03238v1
Date: Fri, 5 Aug 2022 15:43:43 GMT
ステータス: 処理完了
システム内更新日: 2022-08-08 12:51:47.804002
Title: Learning programs with magic values
Title（参考訳）: マジックバリューによる学習プログラム
Authors: C\'eline Hocquette and Andrew Cropper
Abstract要約: 本稿では,魔法の値を持つプログラムを効率的に学習するための帰納論理プログラミング手法を提案する。プログラム合成, 薬物設計, ゲームプレイなど, 多様な領域に関する実験により, 予測精度や学習時間の観点から, 既存のアプローチより優れていることを示す。
参考スコア（独自算出の注目度）: 18.27510863075184
License: http://creativecommons.org/licenses/by/4.0/
Abstract: A magic value in a program is a constant symbol that is essential for the execution of the program but has no clear explanation for its choice. Learning programs with magic values is difficult for existing program synthesis approaches. To overcome this limitation, we introduce an inductive logic programming approach to efficiently learn programs with magic values. Our experiments on diverse domains, including program synthesis, drug design, and game playing, show that our approach can (i) outperform existing approaches in terms of predictive accuracies and learning times, (ii) learn magic values from infinite domains, such as the value of pi, and (iii) scale to domains with millions of constant symbols.
Abstract（参考訳）: プログラムのマジック値は、プログラムの実行に必須であるが、その選択について明確な説明がない定数シンボルである。既存のプログラム合成手法では,マジック値の学習は困難である。この制限を克服するために、マジック値でプログラムを効率よく学習する帰納的論理プログラミング手法を導入する。プログラム合成、ドラッグデザイン、ゲームプレイなど、さまざまな分野の実験は、我々のアプローチが可能であることを示している。 (i)予測精度や学習時間の点で既存のアプローチを上回る。 (ii)piの値など無限の領域から魔法の値を学び、 (iii) 何百万もの定数記号を持つ領域にスケールする。

関連論文リスト

Offline Imitation Learning Through Graph Search and Retrieval [57.57306578140857]
模倣学習は、ロボットが操作スキルを取得するための強力な機械学習アルゴリズムである。本稿では,グラフ検索と検索により,最適下実験から学習する,シンプルで効果的なアルゴリズムGSRを提案する。 GSRは、ベースラインに比べて10%から30%高い成功率、30%以上の熟練を達成できる。
論文参考訳（メタデータ） (2024-07-22T06:12:21Z)
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)
Understanding Programs by Exploiting (Fuzzing) Test Cases [26.8259045248779]
プログラムのより深い意味理解を実現するために,入力と出力/振る舞いの関係を学習に取り入れることを提案する。コードの大部分の実行をトリガーするのに十分な入力を得るために,ファズテストを採用し,ファズチューニングを提案する。提案手法の有効性は,コードクローン検出とコード分類を含む2つのプログラム理解タスクにおいて検証され,最先端技術よりも大きなマージンで優れている。
論文参考訳（メタデータ） (2023-05-23T01:51:46Z)
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 logic programs by combining programs [24.31242130341093]
我々は、小さな非分離型プログラムを学習し、それらを組み合わせるアプローチを導入する。我々は制約駆動型LPシステムにアプローチを実装した。ゲームプレイやプログラム合成など,複数の領域に対する実験により,既存のアプローチを劇的に上回る結果が得られた。
論文参考訳（メタデータ） (2022-06-01T10:07:37Z)
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)
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)
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)
Learning functional programs with function invention and reuse [0.0]
本稿では,IPのサブフィールドであるインダクティブ関数型プログラミング(IFP)について述べる。モジュール型関数型プログラムを生成するというアイデアと,それらが関数の再利用を可能にする方法について検討する。様々な問題に対して再利用が重要であり(重要ではないとしても)、一般に関数再利用の恩恵を受けるプログラムの2つの幅広いクラスを区別する。
論文参考訳（メタデータ） (2020-11-17T19:11:00Z)
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)
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。