論文の概要: NP4G : Network Programming for Generalization

• arxiv url: http://arxiv.org/abs/2212.11118v1
• Date: Thu, 8 Dec 2022 06:18:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-25 03:02:34.122354
• Title: NP4G : Network Programming for Generalization
• Title（参考訳）: NP4G : 一般化のためのネットワークプログラミング
• Authors: Shoichiro Hara, Yuji Watanabe
• Abstract要約: 提案するNP4G: Network Programming for Generalizationは,帰納的推論によってプログラムを自動生成する。 一例として、ビットワイズNOT演算プログラムは比較的短時間で取得され、10分の7の速度で実行されることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic programming has been actively studied for a long time by various approaches including genetic programming. In recent years, automatic programming using neural networks such as GPT-3 has been actively studied and is attracting a lot of attention. However, these methods are illogical inference based on experience by enormous learning, and their thinking process is unclear. Even using the method by logical inference with a clear thinking process, the system that automatically generates any programs has not yet been realized. Especially, the inductive inference generalized by logical inference from one example is an important issue that the artificial intelligence can acquire knowledge by itself. In this study, we propose NP4G: Network Programming for Generalization, which can automatically generate programs by inductive inference. Because the proposed method can realize "sequence", "selection", and "iteration" in programming and can satisfy the conditions of the structured program theorem, it is expected that NP4G is a method automatically acquire any programs by inductive inference. As an example, we automatically construct a bitwise NOT operation program from several training data by generalization using NP4G. Although NP4G only randomly selects and connects nodes, by adjusting the number of nodes and the number of phase of "Phased Learning", we show the bitwise NOT operation programs are acquired in a comparatively short time and at a rate of about 7 in 10 running. The source code of NP4G is available on GitHub as a public repository.
• Abstract（参考訳）: 自動プログラミングは、遺伝的プログラミングを含む様々なアプローチによって、長い間活発に研究されてきた。 近年、GPT-3などのニューラルネットワークを用いた自動プログラミングが活発に研究され、多くの注目を集めている。 しかし、これらの手法は膨大な学習経験に基づく非論理的推論であり、その思考過程は不明確である。 論理的推論と明確な思考プロセスを用いても,プログラムを自動的に生成するシステムはまだ実現されていない。 特に、ある例から論理的推論によって一般化された帰納的推論は、人工知能が自身で知識を得ることができる重要な問題である。 本研究では,インダクティブ推論によるプログラムの自動生成が可能なNP4G: Network Programming for Generalizationを提案する。 提案手法は,プログラムの「シーケンス」,「選択」,「イテレーション」を実現することができ,構造化プログラム定理の条件を満たすことができるため,NP4Gは帰納的推論によってプログラムを自動的に取得する手法であると考えられる。 例えば、NP4Gを用いた一般化により、複数のトレーニングデータからビットワイズNOT演算プログラムを自動構築する。 NP4G はノード数と "Phased Learning" の位相数を調整することでノードをランダムに選択・接続するのみであるが、ビットワイズNOT 演算プログラムは比較的短時間で取得され、約7 in 10 の速度で実行されることを示す。 NP4GのソースコードはGitHubで公開リポジトリとして公開されている。

関連論文リスト

• Genetic Auto-prompt Learning for Pre-trained Code Intelligence Language Models [54.58108387797138]
  コードインテリジェンスタスクにおける即時学習の有効性について検討する。 既存の自動プロンプト設計手法は、コードインテリジェンスタスクに限られている。 本稿では、精巧な遺伝的アルゴリズムを用いてプロンプトを自動設計する遺伝的オートプロンプト(GenAP)を提案する。
  論文  参考訳（メタデータ） (2024-03-20T13:37:00Z)
• Opening the AI black box: program synthesis via mechanistic interpretability [12.849101734204456]
  本稿では,学習したアルゴリズムをPythonコードに自動蒸留することで,目的のタスクを実行するために訓練されたニューラルネットワークの自動機械論的解釈性に基づくプログラム合成手法を提案する。 我々は、RNNで学習できる62のアルゴリズムタスクのベンチマークでMIPSをテストする。 大規模な言語モデルとは対照的に、このプログラム合成技術は、アルゴリズムやGitHubからのコードといった人間のトレーニングデータを使用しない(したがって制限されない)。
  論文  参考訳（メタデータ） (2024-02-07T18:59:12Z)
• The Clock and the Pizza: Two Stories in Mechanistic Explanation of Neural Networks [59.26515696183751]
  ニューラルネットワークにおけるアルゴリズム発見は、時としてより複雑であることを示す。 単純な学習問題でさえ、驚くほど多様なソリューションを許容できることが示されています。
  論文  参考訳（メタデータ） (2023-06-30T17:59:13Z)
• A Neural Lambda Calculus: Neurosymbolic AI meets the foundations of computing and functional programming [0.0]
  我々は、プログラム全体の実行方法を学ぶニューラルネットワークの能力を分析する。 統合型ニューラルラーニングと電卓形式化の導入について紹介する。
  論文  参考訳（メタデータ） (2023-04-18T20:30:16Z)
• Graph Neural Networks are Dynamic Programmers [0.0]
  グラフニューラルネットワーク(GNN)は動的プログラミング(DP)と一致すると主張される ここでは、理論と抽象代数学の手法を用いて、GNNとDPの間に複雑な関係が存在することを示す。
  論文  参考訳（メタデータ） (2022-03-29T13:27:28Z)
• Waypoint Planning Networks [66.72790309889432]
  本稿では,ローカルカーネル(A*のような古典的アルゴリズム)と学習アルゴリズムを用いたグローバルカーネルを用いたLSTMに基づくハイブリッドアルゴリズムを提案する。 我々は、WPNとA*を比較し、動き計画ネットワーク(MPNet)やバリューネットワーク(VIN)を含む関連する作業と比較する。 WPN の探索空間は A* よりもかなり小さいが、ほぼ最適な結果が得られることが示されている。
  論文  参考訳（メタデータ） (2021-05-01T18:02:01Z)
• Inductive logic programming at 30 [22.482292439881192]
  インダクティブ・ロジック・プログラミング(Inductive logic programming、ILP)は、論理ベースの機械学習の一種である。 我々は, (i) 新しいメタレベル探索法, (ii) 述語化のための新しいアプローチ, (iv) 異なる技術の利用に焦点を当てた。 ILPの現在の限界について論じ、今後の研究の方向性について論じる。
  論文  参考訳（メタデータ） (2021-02-21T08:37:17Z)
• Learning to Execute Programs with Instruction Pointer Attention Graph Neural Networks [55.98291376393561]
  グラフニューラルネットワーク(GNN)は、ソフトウェアエンジニアリングタスクを学習するための強力なツールとして登場した。 リカレントニューラルネットワーク(RNN)は、長いシーケンシャルな推論の連鎖に適しているが、プログラム構造を自然に組み込んでいるわけではない。 本稿では,新しいGNNアーキテクチャ,IPA-GNN(Instruction Pointer Attention Graph Neural Networks)を導入する。
  論文  参考訳（メタデータ） (2020-10-23T19:12:30Z)
• Strong Generalization and Efficiency in Neural Programs [69.18742158883869]
  本稿では,ニューラルプログラム誘導の枠組みを強く一般化する効率的なアルゴリズムを学習する問題について検討する。 ニューラルネットワークの入力/出力インターフェースを慎重に設計し、模倣することで、任意の入力サイズに対して正しい結果を生成するモデルを学ぶことができる。
  論文  参考訳（メタデータ） (2020-07-07T17:03:02Z)
• Evaluating Logical Generalization in Graph Neural Networks [59.70452462833374]
  グラフニューラルネットワーク(GNN)を用いた論理一般化の課題について検討する。 ベンチマークスイートであるGraphLogでは、学習アルゴリズムが異なる合成論理でルール誘導を実行する必要がある。 モデルが一般化し適応する能力は、トレーニング中に遭遇する論理規則の多様性によって強く決定される。
  論文  参考訳（メタデータ） (2020-03-14T05:45:55Z)

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。