論文の概要: Shrinking the Inductive Programming Search Space with Instruction Subsets

• arxiv url: http://arxiv.org/abs/2302.05226v1
• Date: Fri, 10 Feb 2023 12:51:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-13 15:44:54.673178
• Title: Shrinking the Inductive Programming Search Space with Instruction Subsets
• Title（参考訳）: 命令サブセットによる帰納的プログラミング検索空間の縮小
• Authors: Edward McDaid, Sarah McDaid
• Abstract要約: 本稿では,Zoea分散インダクティブプログラミングシステムにおける探索空間分割を支援するために構築された,新しいプログラミング言語命令共起モデルを提案する。 探索空間の異なる部分のアプローチを用いることで、並列に探索することができる。 必要となるサブセットの数は、それらを生成するために使用されるコードの量と線形に増加せず、管理可能なサブセットの数が、目に見えないコードの高い割合をカバーするのに十分である。
• 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: Inductive programming frequently relies on some form of search in order to identify candidate solutions. However, the size of the search space limits the use of inductive programming to the production of relatively small programs. If we could somehow correctly predict the subset of instructions required for a given problem then inductive programming would be more tractable. We will show that this can be achieved in a high percentage of cases. This paper presents a novel model of programming language instruction co-occurrence that was built to support search space partitioning in the Zoea distributed inductive programming system. This consists of a collection of intersecting instruction subsets derived from a large sample of open source code. Using the approach different parts of the search space can be explored in parallel. The number of subsets required does not grow linearly with the quantity of code used to produce them and a manageable number of subsets is sufficient to cover a high percentage of unseen code. This approach also significantly reduces the overall size of the search space - often by many orders of magnitude.
• Abstract（参考訳）: 帰納的プログラミングは、候補解を特定するために、ある種の探索にしばしば依存する。 しかし、探索空間の大きさは、比較的小さなプログラムの生成に帰納的プログラミングの使用を制限している。 与えられた問題に必要な命令のサブセットを正確に予測できれば、帰納的プログラミングはより魅力的になるだろう。 これは高い割合のケースで達成できることを示します。 本稿では,Zoea分散インダクティブプログラミングシステムにおける探索空間分割を支援するために構築された,新しいプログラミング言語命令共起モデルを提案する。 これは、オープンソースコードの大規模なサンプルから派生した、相互に交差する命令サブセットの集合からなる。 探索空間の異なる部分のアプローチを用いることで、並列に探索することができる。 必要なサブセットの数は、それらを生成するのに使用されるコード量と線形に増加せず、管理可能なサブセットの数は、見えないコードの割合をカバーするのに十分である。 このアプローチはまた、検索空間の全体サイズ(多くの場合、桁違いに)を大幅に削減する。

関連論文リスト

• Test Case Features as Hyper-heuristics for Inductive Programming [0.0]
  テストケース型シグネチャをハイパーヒューリスティックとして使用して、多数のより小さな命令サブセットの1つを選択する。 多くのファミリーを持つことで、サブセットをリオーダーして、人間のコードにおける相対的な発生をよりよく反映することが可能になる。 全体として、新しいアプローチは、帰納的プログラミング検索空間を1桁から3桁まで小さくすることができる。
  論文  参考訳（メタデータ） (2024-06-29T19:46:11Z)
• Linear Codes for Hyperdimensional Computing [9.7902367664742]
  ランダムな線形符号は、キー-値ストアを形成するために使用できるリッチなサブコード構造を提供する。 筆者らが開発しているフレームワークでは、ランダムな線形符号は単純なリカバリアルゴリズムを(束縛あるいは束縛された)構成表現に含めていることが示される。
  論文  参考訳（メタデータ） (2024-03-05T19:18:44Z)
• Automatizing Software Cognitive Complexity Reduction through Integer Linear Programming [1.1970409518725493]
  近年,ソフトウェア認知複雑性の低減を最適化問題としてモデル化し,開発者を支援する手法を提案する。 このアプローチは、停止基準を満たすまでコード抽出操作のシーケンスを列挙する。結果として、コードの認知複雑性を所定のしきい値に減らすことができる最小限のコード抽出操作のシーケンスを返す。
  論文  参考訳（メタデータ） (2024-02-08T10:53:00Z)
• Bayesian Program Learning by Decompiling Amortized Knowledge [50.960612835957875]
  本稿では,ニューラルサーチポリシーを直接活用し,その記憶された知識を効果的に「分解」し,関連するプログラムコンポーネントを抽出する,新たな学習手法を提案する。 これにより、より強力な償却推論が実現され、探索幅を減らすために学習した償却知識も探索深度を減らすために使用されるようになった。
  論文  参考訳（メタデータ） (2023-06-13T15:35:01Z)
• Further Decimating the Inductive Programming Search Space with Instruction Digrams [0.0]
  命令ダイアグラムを用いて,探索中の命令選択を制限できることが示される。 これにより、検索ベースの帰納的プログラミング技術を用いて生成できるプログラムのサイズが大幅に増大する。
  論文  参考訳（メタデータ） (2023-05-22T15:58:18Z)
• 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)
• CrossBeam: Learning to Search in Bottom-Up Program Synthesis [51.37514793318815]
  ボトムアップ合成のためのハンズオン検索ポリシーを学習するためのニューラルネットワークのトレーニングを提案する。 私たちのアプローチは、CrossBeamと呼ばれ、ニューラルモデルを使用して、以前に探索されたプログラムを新しいプログラムに組み合わせる方法を選択します。 我々はCrossBeamが効率的に検索することを学び、最先端技術と比較してプログラム空間のより小さな部分を探索する。
  論文  参考訳（メタデータ） (2022-03-20T04:41:05Z)
• Finding the disjointness of stabilizer codes is NP-complete [77.34726150561087]
  我々は、$c-不連続性を計算すること、あるいはそれを定数乗算係数の範囲内で近似することの問題はNP完全であることを示す。 CSSコード、$dコード、ハイパーグラフコードなど、さまざまなコードファミリの相違点に関するバウンダリを提供します。 以上の結果から,一般的な量子誤り訂正符号に対するフォールトトレラント論理ゲートの発見は,計算に難題であることが示唆された。
  論文  参考訳（メタデータ） (2021-08-10T15:00:20Z)
• Determinantal Beam Search [75.84501052642361]
  ビームサーチは、ニューラルシーケンスモデルをデコードするためのゴーツー戦略である。 複数のソリューションを要求するユースケースでは、多様あるいは代表的なセットがしばしば望まれる。 ビームサーチを一連の部分決定問題として繰り返し行うことにより、アルゴリズムを多種多様なサブセット選択プロセスに変換することができる。
  論文  参考訳（メタデータ） (2021-06-14T13:01:46Z)
• Towards Optimally Efficient Tree Search with Deep Learning [76.64632985696237]
  本稿では,線形モデルから信号整数を推定する古典整数最小二乗問題について検討する。 問題はNPハードであり、信号処理、バイオインフォマティクス、通信、機械学習といった様々な応用でしばしば発生する。 本稿では, 深いニューラルネットワークを用いて, 単純化されたメモリバウンドA*アルゴリズムの最適推定を推定し, HATSアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-01-07T08:00:02Z)
• 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)

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。