論文の概要: ANPL: Towards Natural Programming with Interactive Decomposition
- arxiv url: http://arxiv.org/abs/2305.18498v2
- Date: Thu, 30 Nov 2023 16:08:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-01 20:34:18.489306
- Title: ANPL: Towards Natural Programming with Interactive Decomposition
- Title(参考訳): ANPL:インタラクティブな分解による自然プログラミングを目指して
- Authors: Di Huang, Ziyuan Nan, Xing Hu, Pengwei Jin, Shaohui Peng, Yuanbo Wen,
Rui Zhang, Zidong Du, Qi Guo, Yewen Pu, Yunji Chen
- Abstract要約: 我々は,ユーザが常に生成したコードを洗練できるように,対話型ANPLシステムを導入する。
ANPLプログラムは、それが満たさなければならない入力出力のセットで構成される。
ユーザは、スケッチを変更し、穴を記述するのに使用される言語を変更したり、特定の穴に追加の入力出力を提供することで、ANPLプログラムを更新する。
- 参考スコア(独自算出の注目度): 33.58825633046242
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Though LLMs are capable of generating plausible programs, it's challenging to
interact with the LLMs further to revise the program, especially if the user's
specific requirements are different from the initial proposal. In this paper,
we introduce ANPL, an interactive programming system that ensures users can
always refine the generated code towards their specific programmatic intents
via structured decompositions. Borrowing the paradigm of sketching from program
synthesis, an ANPL program consists of a set of input-outputs that it must
satisfy, a ``sketch'' -- control/data flow expressed in precise code (e.g.
Python), and ``holes'' -- sub-modules to be implemented by the LLM specified
with natural language. The user revises an ANPL program by either modifying the
sketch, changing the language used to describe the holes, or providing
additional input-outputs to a particular hole, turning it into a sub-ANPL
program that can be solved recursively. This workflow allows the users to
offload programming burdens to the LLM as much as possible while retaining the
ability to pinpoint and resolve bugs locally, without exposing the rest of the
program to the LLM. We deploy ANPL on the Abstraction and Reasoning Corpus
(ARC), a set of unique tasks that are challenging for state-of-the-art AI
systems, showing it outperforms baseline programming systems that (a) without
the ability to decompose tasks interactively and (b) without the guarantee that
the modules can be correctly composed together. Additional evaluations on APPS,
HumanEval, and real-world programming tasks have validated that the ANPL
framework is applicable to multiple programming domains. We release the ANPL
solutions to the ARC tasks as a dataset, providing insights into how humans
decompose novel tasks programmatically. See our code at
https://iprc-dip.github.io/ANPL/.
- Abstract(参考訳): LLMは、もっともらしいプログラムを生成することができるが、特にユーザ固有の要求が初期提案と異なる場合、プログラムを更新するためにLLMとさらに対話することは困難である。
本稿では,ユーザが構造化された分解によって生成したコードをプログラムの目的に対して常に洗練することができる対話型プログラミングシステムANPLを紹介する。
プログラム合成からスケッチのパラダイムを借用したANPLプログラムは、それが満たさなければならない入力出力のセットと、正確なコード(例えばPython)で表現される制御/データフローと、自然言語で指定されたLLMによって実装されるサブモジュールからなる。
ユーザは、スケッチを変更し、穴を記述するために使用する言語を変更したり、特定の穴に追加の入力出力を提供して、再帰的に解決可能なサブANPLプログラムに変換することにより、ANPLプログラムを更新する。
このワークフローでは,プログラムの残りの部分をLLMに公開することなく,バグの特定と解決をローカルに維持しながら,プログラミング上の負担を可能な限りLLMにオフロードすることができる。
私たちは、最先端のAIシステムでは困難な、ユニークなタスクのセットであるAbstraction and Reasoning Corpus(ARC)にANPLをデプロイし、ベースラインプログラミングシステムよりも優れています。
(a)タスクを対話的に分解する機能を持たず
(b) モジュールが正しく構成できることを保証することなく。
APPS、HumanEval、および実世界のプログラミングタスクに関するさらなる評価は、ANPLフレームワークが複数のプログラミング領域に適用可能であることを検証している。
我々はARCタスクに対するANPLソリューションをデータセットとしてリリースし、人間がプログラムで新しいタスクを分解する方法についての洞察を提供する。
コードはhttps://iprc-dip.github.io/anpl/を参照。
関連論文リスト
- Grounding Data Science Code Generation with Input-Output Specifications [33.982236307318075]
大規模言語モデル(LLM)は、最近、自然言語プロンプトからコードを生成する驚くべき能力を示した。
LLMは出力をNLプロンプトとI/O仕様の両方と整合させることが困難である。
I/O 仕様に対する LLM の微調整のための新しい手法である GIFT4Code を提案する。
論文 参考訳(メタデータ) (2024-02-12T21:32:49Z) - If LLM Is the Wizard, Then Code Is the Wand: A Survey on How Code
Empowers Large Language Models to Serve as Intelligent Agents [81.60906807941188]
大型言語モデル(LLM)は、自然言語と形式言語(コード)の組み合わせに基づいて訓練される
コードは、標準構文、論理一貫性、抽象化、モジュール性を備えた高レベルの目標を実行可能なステップに変換する。
論文 参考訳(メタデータ) (2024-01-01T16:51:20Z) - LILO: Learning Interpretable Libraries by Compressing and Documenting Code [72.90003911433905]
LILOは、反復的に合成、圧縮、文書化を行う、ニューロシンボリックなフレームワークである。
LILOは、LLM誘導プログラム合成と、Stitchから自動化された最近のアルゴリズムの進歩を組み合わせたものである。
LILOのシンセサイザーが学習した抽象化を解釈し、デプロイするのを手助けすることで、AutoDocがパフォーマンスを向上させることが分かりました。
論文 参考訳(メタデータ) (2023-10-30T17:55:02Z) - Learning a Hierarchical Planner from Humans in Multiple Generations [21.045112705349222]
本稿では,プログラム型学習と階層型プランナを組み合わせたライブラリ学習システムである自然言語プログラミングについて述べる。
ユーザは、難しいが不可能ではない目標を特定することによって、カリキュラム構築を通じてシステムを教える。
このシステムは、言語ヒントを用いて、その確率分布を導く階層的計画を通じて目標を達成する。
論文 参考訳(メタデータ) (2023-10-17T22:28:13Z) - ProgSG: Cross-Modality Representation Learning for Programs in
Electronic Design Automation [38.023395256208055]
高レベル合成(HLS)により、開発者はCとC++のソフトウェアコード形式で高レベルな記述をコンパイルできる。
HLSツールは相変わらず、プラグマで表されるマイクロアーキテクチャの決定を必要とする。
本稿では,ソースコードシーケンスのモダリティとグラフのモダリティを深く,きめ細かな方法で相互に相互作用させることができるProgSGを提案する。
論文 参考訳(メタデータ) (2023-05-18T09:44:18Z) - Low-code LLM: Visual Programming over LLMs [49.37966903221752]
本稿では,人間-LLMインタラクションフレームワークであるLow-code LLMを紹介する。
6種類のシンプルなローコードビジュアルプログラミングインタラクションが組み込まれており、すべてクリック、ドラッグ、テキスト編集によってサポートされている。
低コードLSMの利点として、制御可能な生成結果、ユーザフレンドリなヒューマン-LLMインタラクション、広く適用可能なシナリオの3つを挙げる。
論文 参考訳(メタデータ) (2023-04-17T09:27:40Z) - Hierarchical Programmatic Reinforcement Learning via Learning to Compose
Programs [58.94569213396991]
プログラムポリシーを作成するための階層型プログラム強化学習フレームワークを提案する。
提案するフレームワークは,プログラム作成の学習を通じて,アウト・オブ・ディストリビュータの複雑な動作を記述するプログラムポリシーを作成することができる。
Karel ドメインの実験結果から,提案するフレームワークがベースラインより優れていることが示された。
論文 参考訳(メタデータ) (2023-01-30T14:50:46Z) - Procedures as Programs: Hierarchical Control of Situated Agents through
Natural Language [81.73820295186727]
エージェント命令と制御のための階層的な手続き的知識を表現する強力な手法である,プログラムとしての手続きの形式化を提案する。
NL命令に対するIQAおよびALFREDデータセット上で、このフレームワークをインスタンス化する。
論文 参考訳(メタデータ) (2021-09-16T20:36:21Z) - Leveraging Language to Learn Program Abstractions and Search Heuristics [66.28391181268645]
LAPS(Language for Abstraction and Program Search)は、自然言語アノテーションを用いて、ライブラリとニューラルネットワークによる合成のための検索モデルの共同学習をガイドする手法である。
最先端のライブラリ学習システム(DreamCoder)に統合されると、LAPSは高品質なライブラリを生成し、検索効率と一般化を改善する。
論文 参考訳(メタデータ) (2021-06-18T15:08:47Z)
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。