論文の概要: Relational program synthesis with numerical reasoning
- arxiv url: http://arxiv.org/abs/2210.00764v2
- Date: Tue, 4 Oct 2022 08:40:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 10:40:58.338779
- Title: Relational program synthesis with numerical reasoning
- Title（参考訳）: 数値推論による関係プログラム合成
- Authors: C\'eline Hocquette and Andrew Cropper
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 18.27510863075184
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Program synthesis approaches struggle to learn programs with numerical
values. An especially difficult problem is learning continuous values over
multiple examples, such as intervals. To overcome this limitation, we introduce
an inductive logic programming approach which combines relational learning with
numerical reasoning. Our approach, which we call NUMSYNTH, uses satisfiability
modulo theories solvers to efficiently learn programs with numerical values.
Our approach can identify numerical values in linear arithmetic fragments, such
as real difference logic, and from infinite domains, such as real numbers or
integers. Our experiments on four diverse domains, including game playing and
program synthesis, show that our approach can (i) learn programs with numerical
values from linear arithmetical reasoning, and (ii) outperform existing
approaches in terms of predictive accuracies and learning times.
- Abstract（参考訳）: プログラム合成アプローチは、数値でプログラムを学ぶのに苦労する。
特に難しい問題は、間隔のような複数の例で連続的な値を学ぶことだ。
この制限を克服するために,関係学習と数値推論を組み合わせた帰納的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。
提案手法は,実差分論理のような線形算術的断片の数値を実数や整数のような無限領域から同定することができる。
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は、我々のアプローチが可能であることを示す。
(i)線形算術推論から数値を用いたプログラムを学習する。
(ii)予測能力や学習時間の観点から既存のアプローチを上回っている。
関連論文リスト
- Reverse That Number! Decoding Order Matters in Arithmetic Learning [49.5504492920404]
本研究は,最少の桁から出力を優先順位付けすることで,桁順を再評価する新たな戦略を導入する。
従来のSOTA法と比較すると,通常のトレーニングで使用するトークンの3分の1しか必要とせず,精度の全体的な改善が見られた。
論文 参考訳（メタデータ） (2024-03-09T09:04:53Z) - A Divide-Align-Conquer Strategy for Program Synthesis [8.595181704811889]
本稿では,大規模プログラムの探索を複数の小さなプログラム合成問題に分割する例によって,構成セグメント化がプログラミングに応用可能であることを示す。
入力と出力における構成部品の構造的アライメントは、プログラム探索を導くのに使用されるペアワイズ対応に繋がる。
論文 参考訳（メタデータ） (2023-01-08T19:10:55Z) - Learning programs with magic values [18.27510863075184]
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。
論文 参考訳（メタデータ） (2022-08-05T15:43:43Z) - 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) - 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) - Representing Partial Programs with Blended Abstract Semantics [62.20775388513027]
プログラム合成エンジンにおける部分的なプログラム表現手法について紹介する。
モジュラーニューラルネットワークとして実装された近似実行モデルを学ぶ。
これらのハイブリッドニューロシンボリック表現は、実行誘導型シンセサイザーがより強力な言語構成を使うことができることを示す。
論文 参考訳（メタデータ） (2020-12-23T20:40:18Z) - 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) - Learning Differentiable Programs with Admissible Neural Heuristics [43.54820901841979]
ドメイン固有言語におけるプログラムとして表現される微分可能関数の学習問題について検討する。
我々は、この最適化問題を、プログラム構文のトップダウン導出を符号化した重み付きグラフの探索として構成する。
私たちの重要なイノベーションは、さまざまなニューラルネットワークのクラスを、プログラムの空間上の連続的な緩和と見なすことです。
論文 参考訳（メタデータ） (2020-07-23T16:07:39Z) - A Constraint-Based Algorithm for the Structural Learning of
Continuous-Time Bayesian Networks [70.88503833248159]
連続時間ベイズネットワークの構造を学習するための制約に基づく最初のアルゴリズムを提案する。
我々は,条件付き独立性を確立するために提案した,異なる統計的テストと基礎となる仮説について論じる。
論文 参考訳（メタデータ） (2020-07-07T07:34:09Z) - 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。
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。