論文の概要: Knowledge-Driven Program Synthesis via Adaptive Replacement Mutation and
Auto-constructed Subprogram Archives
- arxiv url: http://arxiv.org/abs/2209.03736v1
- Date: Thu, 8 Sep 2022 11:58:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-09 12:32:38.088487
- Title: Knowledge-Driven Program Synthesis via Adaptive Replacement Mutation and
Auto-constructed Subprogram Archives
- Title（参考訳）: 適応置換変異と自動構築サブプログラムアーカイブによる知識駆動型プログラム合成
- Authors: Yifan He, Claus Aranha, Tetsuya Sakurai
- Abstract要約: 本稿では,プログラム合成課題の変種として知識駆動型プログラム合成(KDPS)を導入する。
KDPSでは、エージェントは、初期の問題からの知識を使用して、後の問題を解決する。
我々は,サブプログラムを知識として扱うKDPS問題を解決するために,PushGPに基づく新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 8.467376599822568
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce Knowledge-Driven Program Synthesis (KDPS) as a variant of the
program synthesis task that requires the agent to solve a sequence of program
synthesis problems. In KDPS, the agent should use knowledge from the earlier
problems to solve the later ones. We propose a novel method based on PushGP to
solve the KDPS problem, which takes subprograms as knowledge. The proposed
method extracts subprograms from the solution of previously solved problems by
the Even Partitioning (EP) method and uses these subprograms to solve the
upcoming programming task using Adaptive Replacement Mutation (ARM). We call
this method PushGP+EP+ARM. With PushGP+EP+ARM, no human effort is required in
the knowledge extraction and utilization processes. We compare the proposed
method with PushGP, as well as a method using subprograms manually extracted by
a human. Our PushGP+EP+ARM achieves better train error, success count, and
faster convergence than PushGP. Additionally, we demonstrate the superiority of
PushGP+EP+ARM when consecutively solving a sequence of six program synthesis
problems.
- Abstract（参考訳）: 本稿では,プログラム合成課題の変種として知識駆動型プログラム合成(KDPS)を導入する。
KDPSでは、エージェントは以前の問題からの知識を使用して、後の問題を解決する。
我々は,サブプログラムを知識として扱うKDPS問題を解決するために,PushGPに基づく新しい手法を提案する。
提案手法は,Even Partitioning (EP) 法によって解決された問題の解からサブプログラムを抽出し,Adaptive Replacement Mutation (ARM) を用いた今後のプログラミング課題を解決する。
我々はPushGP+EP+ARMと呼ぶ。
PushGP+EP+ARMでは、知識抽出と利用プロセスに人的努力は必要ない。
提案手法をpushgpと比較し,人間が手動で抽出したサブプログラムを用いた方法を提案する。
PushGP+EP+ARMは、PushGPよりも列車エラー、成功数、高速収束を実現しています。
さらに,6つのプログラム合成問題を連続的に解く場合,PushGP+EP+ARMの優位性を示す。
関連論文リスト
- IPSynth: Interprocedural Program Synthesis for Software Security Implementation [3.1119394814248253]
本稿では,提案手法の仕様を自動学習する新しい言語間プログラム合成手法であるIP Synthを紹介する。
提案手法は,プログラム内の対応する箇所を正確に特定し,必要なコードスニペットを合成し,プログラムに追加し,ChatGPTをプログラム間の戦術的合成タスクで上回ることを示す。
論文 参考訳（メタデータ） (2024-03-16T07:12:24Z) - Guess & Sketch: Language Model Guided Transpilation [59.02147255276078]
学習されたトランスパイレーションは、手作業による書き直しやエンジニアリングの取り組みに代わるものだ。
確率的ニューラルネットワークモデル(LM)は、入力毎に可塑性出力を生成するが、正確性を保証するコストがかかる。
Guess & Sketch は LM の特徴からアライメントと信頼性情報を抽出し、意味的等価性を解決するためにシンボリック・ソルバに渡す。
論文 参考訳（メタデータ） (2023-09-25T15:42:18Z) - ExeDec: Execution Decomposition for Compositional Generalization in Neural Program Synthesis [54.18659323181771]
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。
本稿では,ExeDecを提案する。ExeDecは,実行サブゴールを予測し,各ステップでプログラム実行によって段階的に通知される問題を解くための,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) - Hierarchical Neural Program Synthesis [19.94176152035497]
プログラム合成は、与えられたタスク仕様を満たす人間可読プログラムを自動構築することを目的としている。
プログラムを階層的に構成することでプログラムを合成するスケーラブルなプログラム合成フレームワークを提案する。
入力/出力ペアを持つ文字列変換領域において,提案するフレームワークを広範囲に評価する。
論文 参考訳（メタデータ） (2023-03-09T18:20:07Z) - 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) - A Conversational Paradigm for Program Synthesis [110.94409515865867]
本稿では,大規模言語モデルを用いた対話型プログラム合成手法を提案する。
私たちは、自然言語とプログラミング言語のデータに基づいて、CodeGenと呼ばれる大規模な言語モデルのファミリーを訓練します。
本研究は,会話能力の出現と,提案した会話プログラム合成パラダイムの有効性を示すものである。
論文 参考訳（メタデータ） (2022-03-25T06:55:15Z) - Recent Developments in Program Synthesis with Evolutionary Algorithms [1.8047694351309207]
関連する進化的プログラム合成手法を同定し,その性能を詳細に解析する。
私たちが特定する最も影響力のあるアプローチは、スタックベース、文法誘導、および線形遺伝プログラミングである。
今後の研究のために、研究者は、プログラムのアウトプットを使用して、ソリューションの品質を評価するだけでなく、ソリューションへの道を開くことを奨励します。
論文 参考訳（メタデータ） (2021-08-27T11:38:27Z) - Learning to Combine Per-Example Solutions for Neural Program Synthesis [35.0204840620086]
ほとんどの学習ベースのアプローチは、一度にすべての例を満たすプログラムを見つけようとします。
a) 1つの例のみを満たすプログラムを見つけ、(b) 例ごとのソリューションを活用して、すべての例を満たすプログラムを生成する。
論文 参考訳（メタデータ） (2021-06-14T05:48:12Z) - PSB2: The Second Program Synthesis Benchmark Suite [1.370633147306388]
新しいベンチマークスイートであるPSB2を構成する25の新しい汎用プログラム合成ベンチマーク問題について述べる。
これらの問題は、プログラミング方や大学コースなど、さまざまなソースから収集されている。
これらの新たな問題は、今後6年以上にわたる一般的なプログラム合成研究の道のりを指して、改善の余地を十分に与えている。
論文 参考訳（メタデータ） (2021-06-10T23:44:05Z) - 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) - Synthesize, Execute and Debug: Learning to Repair for Neural Program
Synthesis [81.54148730967394]
本稿では,合成,実行,デバッグの段階を組み込んだニューラルネットワーク生成フレームワークであるSEDを提案する。
SEDはまず、神経プログラムシンセサイザーコンポーネントを使用して初期プログラムを生成し、その後、神経プログラムデバッガを使用して生成されたプログラムを反復的に修復する。
挑戦的な入出力プログラム合成ベンチマークであるKarelでは、SEDはニューラルプログラムシンセサイザー自体のエラー率をかなりのマージンで削減し、デコードのための標準ビームサーチより優れている。
論文 参考訳（メタデータ） (2020-07-16T04:15:47Z)
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。