Fugu-MT 論文翻訳(概要): Synthesizing a Progression of Subtasks for Block-Based Visual Programming Tasks

論文の概要: Synthesizing a Progression of Subtasks for Block-Based Visual Programming Tasks

arxiv url: http://arxiv.org/abs/2305.17518v1
Date: Sat, 27 May 2023 16:24:36 GMT
ステータス: 処理完了
システム内更新日: 2023-05-30 18:35:48.844285
Title: Synthesizing a Progression of Subtasks for Block-Based Visual Programming Tasks
Title（参考訳）: ブロック型ビジュアルプログラミングタスクのためのサブタスクの進行の合成
Authors: Alperen Tercan, Ahana Ghosh, Hasan Ferit Eniser, Maria Christakis, Adish Singla
Abstract要約: 本稿では,その複雑さの観点から,高品質で十分な空間を持つサブタスクの進行を生成する新しい合成アルゴリズムを提案する。本稿では,Karelプログラミング環境における課題解決のためのAIエージェントの有効性向上のための合成アルゴリズムの有用性を示す。
参考スコア（独自算出の注目度）: 21.33708484899808
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Block-based visual programming environments play an increasingly important role in introducing computing concepts to K-12 students. In recent years, they have also gained popularity in neuro-symbolic AI, serving as a benchmark to evaluate general problem-solving and logical reasoning skills. The open-ended and conceptual nature of these visual programming tasks make them challenging, both for state-of-the-art AI agents as well as for novice programmers. A natural approach to providing assistance for problem-solving is breaking down a complex task into a progression of simpler subtasks; however, this is not trivial given that the solution codes are typically nested and have non-linear execution behavior. In this paper, we formalize the problem of synthesizing such a progression for a given reference block-based visual programming task. We propose a novel synthesis algorithm that generates a progression of subtasks that are high-quality, well-spaced in terms of their complexity, and solving this progression leads to solving the reference task. We show the utility of our synthesis algorithm in improving the efficacy of AI agents (in this case, neural program synthesizers) for solving tasks in the Karel programming environment. Then, we conduct a user study to demonstrate that our synthesized progression of subtasks can assist a novice programmer in solving tasks in the Hour of Code: Maze Challenge by Code-dot-org.
Abstract（参考訳）: ブロックベースのビジュアルプログラミング環境は、k-12の学生にコンピューティングの概念を導入する上で、ますます重要な役割を果たす。近年、ニューロシンボリックaiの人気も高まり、一般的な問題解決と論理的推論スキルの評価の指標となっている。これらのビジュアルプログラミングタスクのオープンで概念的な性質は、最先端のAIエージェントと初心者プログラマの両方にとって難しい。問題解決の支援を提供する自然なアプローチは、複雑なタスクをより単純なサブタスクの進行に分割することである。本稿では,ある参照ブロックベースの視覚的プログラミングタスクに対して,そのような進捗を合成する問題を形式化する。そこで本研究では,その複雑度を考慮に入れた高品質なサブタスクの進行を生成する新しい合成アルゴリズムを提案する。本稿では,AIエージェント(この場合,ニューラルプログラムシンセサイザー)のKarelプログラミング環境における課題解決における有効性向上における合成アルゴリズムの有用性を示す。そして、我々は、コード-dot-orgによるHour of Code: Maze Challengeのタスクを初心者プログラマが解くのに、サブタスクの合成が役立つことを示すために、ユーザスタディを実施します。

関連論文リスト

Learning to Solve Abstract Reasoning Problems with Neurosymbolic Program Synthesis and Task Generation [0.8701566919381223]
本稿では,ニューラルプログラム合成に基づく抽象問題の解法であるTransCoderを提案する。提案アーキテクチャの生成モジュールによる決定を包括的に分析する。
論文参考訳（メタデータ） (2024-10-06T13:42:53Z)
Recursive Visual Programming [53.76415744371285]
本稿では、生成ルーチンを単純化し、より効率的な問題解決を提供し、より複雑なデータ構造を管理するRecursive Visual Programming (RVP)を提案する。本稿では,VSR,COVR,GQA,NextQAなどのベンチマークにおいて,RVPの有効性を示す。
論文参考訳（メタデータ） (2023-12-04T17:27:24Z)
SEGO: Sequential Subgoal Optimization for Mathematical Problem-Solving [64.38649623473626]
大規模言語モデル(LLM)は人工知能の大幅な進歩を導いた。数学的問題を解く能力を高めるために,textbfSEquential subtextbfGoal textbfOptimization (SEGO) という新しいフレームワークを提案する。
論文参考訳（メタデータ） (2023-10-19T17:56:40Z)
Neural Task Synthesis for Visual Programming [22.918489170257704]
視覚的プログラミング領域のコンテキストにおいて、与えられた仕様のプログラミングタスクを自動的に生成できるニューラルモデルを設計することを模索する。そこで我々は,NeurTaskSynというニューラルシンボリックな手法を提案する。
論文参考訳（メタデータ） (2023-05-26T01:08:18Z)
Learning Iterative Reasoning through Energy Minimization [77.33859525900334]
ニューラルネットワークを用いた反復推論のための新しいフレームワークを提案する。すべての出力に対してエネルギーランドスケープをパラメータ化するために、ニューラルネットワークをトレーニングします。エネルギー最小化ステップとして反復推論の各ステップを実装し,最小限のエネルギー解を求める。
論文参考訳（メタデータ） (2022-06-30T17:44:20Z)
From {Solution Synthesis} to {Student Attempt Synthesis} for Block-Based Visual Programming Tasks [20.64766977405438]
以下に示す課題を中心に、新しいベンチマークであるSeardSynを紹介する。学生は,一定基準課題に対する生徒の試行を観察した後,新たな目標課題に対する学生の試行を合成する。この課題は、プログラム合成の課題に似ているが、解法(すなわち、専門家が書くプログラム)の代わりに、ここでのゴールは、学生の試み(すなわち、ある学生が書くであろうプログラム)を合成することである。
論文参考訳（メタデータ） (2022-05-03T01:32:47Z)
Compositional Generalization and Decomposition in Neural Program Synthesis [59.356261137313275]
本稿では,学習プログラムシンセサイザーの合成一般化能力の測定に焦点をあてる。まず、プログラム合成法が一般化されるであろういくつかの異なる軸を特徴付ける。 2つの一般的な既存のデータセットに基づいて、これらの能力を評価するためのタスクのベンチマークスイートを導入する。
論文参考訳（メタデータ） (2022-04-07T22:16:05Z)
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)
Neural-Symbolic Solver for Math Word Problems with Auxiliary Tasks [130.70449023574537]
我々のNS-rは、問題を読み取り、問題をエンコードする問題リーダーと、記号方程式を生成するプログラマと、答えを得るシンボリックエグゼキュータから構成される。また, 目的表現の監督とともに, 4つの新たな補助的目的によって, 異なる記号的推論を強制的に行うように最適化した。
論文参考訳（メタデータ） (2021-07-03T13:14:58Z)
Program Synthesis Guided Reinforcement Learning [34.342362868490525]
強化学習の鍵となる課題は、長期計画と制御問題を解決することである。最近の研究は、これらの設定で学習アルゴリズムを導くのに役立つプログラムを活用することを提案している。本稿では,プログラム合成を利用して指導プログラムを自動生成する手法を提案する。
論文参考訳（メタデータ） (2021-02-22T16:05:32Z)
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)

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。