論文の概要: Programming by Example Made Easy

• arxiv url: http://arxiv.org/abs/2307.07965v2
• Date: Mon, 24 Jul 2023 05:40:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 17:23:44.086934
• Title: Programming by Example Made Easy
• Title（参考訳）: 例によるプログラミングが簡単になった
• Authors: Jiarong Wu, Lili Wei, Yanyan Jiang, Shing-Chi Cheung, Luyao Ren, Chang Xu
• Abstract要約: PBE(Program by example)は、ユーザが提供する入力出力サンプルによって指定されたプログラムを自動的に合成するプログラミングパラダイムである。 PBEツールの実装は、しばしばプログラミング言語と合成アルゴリズムの専門知識を必要とする。 PBE フレームワーク Bee は PBE 開発を容易にするためのフレームワークである。
• 参考スコア（独自算出の注目度）: 22.314527882260048
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Programming by example (PBE) is an emerging programming paradigm that automatically synthesizes programs specified by user-provided input-output examples. Despite the convenience for end-users, implementing PBE tools often requires strong expertise in programming language and synthesis algorithms. Such a level of knowledge is uncommon among software developers. It greatly limits the broad adoption of PBE by the industry. To facilitate the adoption of PBE techniques, we propose a PBE framework called Bee, which leverages an "entity-action" model based on relational tables to ease PBE development for a wide but restrained range of domains. Implementing PBE tools with Bee only requires adapting domain-specific data entities and user actions to tables, with no need to design a domain-specific language or an efficient synthesis algorithm. The synthesis algorithm of Bee exploits bidirectional searching and constraint-solving techniques to address the challenge of value computation nested in table transformation. We evaluated Bee's effectiveness on 64 PBE tasks from three different domains and usability with a human study of 12 participants. Evaluation results show that Bee is easier to learn and use than the state-of-the-art PBE framework, and the bidirectional algorithm achieves comparable performance to domain-specifically optimized synthesizers.
• Abstract（参考訳）: PBE(Program by example)は、ユーザが提供する入力出力サンプルによって指定されたプログラムを自動的に合成するプログラミングパラダイムである。 エンドユーザの利便性にもかかわらず、PBEツールの実装は、しばしばプログラミング言語と合成アルゴリズムの専門知識を必要とする。 このような知識のレベルは、ソフトウェア開発者の間では珍しくありません。 これは、業界によるPBEの広範な採用を著しく制限する。 pbe 技術の導入を容易にするために,我々は bee と呼ばれる pbe フレームワークを提案する。このフレームワークはリレーショナル・テーブルに基づく "エンティティ・アクション" モデルを利用して,幅広い領域の pbe 開発を容易にする。 beeを使ったpbeツールの実装は、ドメイン固有データエンティティとユーザーアクションをテーブルに適応するだけで、ドメイン固有言語や効率的な合成アルゴリズムを設計する必要がない。 Beeの合成アルゴリズムは、双方向探索および制約解決技術を利用して、テーブル変換でネストされた値計算の課題に対処する。 3つの異なるドメインの64のpbeタスクに対するbeの有効性とユーザビリティを12人の被験者による人間実験で評価した。 評価の結果,Beeは最先端のPBEフレームワークよりも学習や使用が容易であり,双方向アルゴリズムはドメイン固有に最適化されたシンセサイザーに匹敵する性能を実現する。

関連論文リスト

• Deep Learning and Machine Learning, Advancing Big Data Analytics and Management: Object-Oriented Programming [17.62426370778165]
  オブジェクト指向プログラミング(OOP)は、現代のソフトウェアシステムの複雑さの増大を管理するための重要なパラダイムになっています。 この作業は、これらのドメイン内でOOP技術を統合するための包括的な紹介を提供する。 機械学習システムの構造と効率を高めるために,設計パターンとモジュールプログラミングをどのように利用することができるかを検討する。
  論文  参考訳（メタデータ） (2024-09-30T03:37:10Z)
• Is Programming by Example solved by LLMs? [6.3557174349423455]
  PBE(Programming-by-Examples)は、入力出力の例からアルゴリズムを生成することを目的としている。 我々は,大規模言語モデルが PBE を「解決した」と言える程度について検討する。 事前訓練されたモデルはPBEでは有効ではないが、より高性能に微調整できる。
  論文  参考訳（メタデータ） (2024-06-12T15:16:40Z)
• Reinforced In-Context Black-Box Optimization [64.25546325063272]
  RIBBOは、オフラインデータからエンドツーエンドでBBOアルゴリズムを強化学習する手法である。 RIBBOは、複数の動作アルゴリズムとタスクによって生成される最適化履歴を学習するために、表現的なシーケンスモデルを使用している。 提案手法の中心となるのは,テキストレグレット・ツー・ゴートークンによる最適化履歴の増大である。
  論文  参考訳（メタデータ） (2024-02-27T11:32:14Z)
• Instruct2Act: Mapping Multi-modality Instructions to Robotic Actions with Large Language Model [63.66204449776262]
  Instruct2Actは、ロボット操作タスクのシーケンシャルアクションにマルチモーダル命令をマッピングするフレームワークである。 我々のアプローチは、様々な命令のモダリティや入力タイプを調節する上で、調整可能で柔軟なものである。 我々のゼロショット法は、いくつかのタスクにおいて、最先端の学習ベースのポリシーよりも優れていた。
  論文  参考訳（メタデータ） (2023-05-18T17:59:49Z)
• On the Configuration of More and Less Expressive Logic Programs [11.331373810571993]
  SATとASPの2つのよく知られたモデルベースAI手法は、入力を特徴付けるかもしれない多くの構文的特徴を定義する。 各競合から抽出したSATドメインとASPドメインに関する広範な実験的分析の結果は、入力の再構成と構成を用いて得られる様々な利点を示している。
  論文  参考訳（メタデータ） (2022-03-02T10:55:35Z)
• pymdp: A Python library for active inference in discrete state spaces [52.85819390191516]
  pymdpはPythonでアクティブな推論をシミュレートするオープンソースパッケージである。 我々は,POMDPによるアクティブな推論をシミュレートする,最初のオープンソースパッケージを提供する。
  論文  参考訳（メタデータ） (2022-01-11T12:18:44Z)
• Thinking Like Transformers [64.96770952820691]
  本稿では,プログラミング言語の形式で変換器エンコーダの計算モデルを提案する。 RASPは、トランスフォーマーによって確実に学習できるタスクの解決策をプログラムするのにどのように使えるかを示す。 ヒストグラム、ソート、ダイク言語のためのRASPプログラムを提供する。
  論文  参考訳（メタデータ） (2021-06-13T13:04:46Z)
• How could Neural Networks understand Programs? [67.4217527949013]
  ソースコードにnlpプリトレーニング技術を直接適用するか、あるいはtheshelfによってモデルに機能を追加するかで、プログラムをより理解するためのモデルを構築するのは難しい。 本研究では,(1)操作セマンティクスの基本操作とよく一致する表現と(2)環境遷移の情報からなる情報から,モデルが学ぶべき新しいプログラムセマンティクス学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T12:21:42Z)
• Learning to Synthesize Data for Semantic Parsing [57.190817162674875]
  本稿では,プログラムの構成をモデル化し,プログラムを発話にマップする生成モデルを提案する。 PCFGと事前学習されたBARTの簡易性により,既存のデータから効率的に生成モデルを学習することができる。 GeoQuery と Spider の標準ベンチマークで解析する text-to-Query の in-domain と out-of-domain の両方で、この手法を評価します。
  論文  参考訳（メタデータ） (2021-04-12T21:24:02Z)
• Modular approach to data preprocessing in ALOHA and application to a smart industry use case [0.0]
  データ前処理と変換パイプラインをサポートするために、ALOHAツールフローに統合されたモジュラーアプローチに対処する。 提案手法の有効性を示すために,キーワードスポッティングのユースケースに関する実験結果を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:48:51Z)
• Grammar Filtering For Syntax-Guided Synthesis [6.298766745228328]
  PBE問題を解決するために,自動推論技術を用いて機械学習をタンデムで使用するシステムを提案する。 ニューラルネットワークでSyGuS PBE問題を前処理することで、探索空間のサイズを減らすためにデータ駆動アプローチを使うことができる。 我々のシステムは既存のSyGuS PBE合成ツール上で動作することができ、2019年のSyGuSコンペティションの勝者のランタイムを47.65%削減できる。
  論文  参考訳（メタデータ） (2020-02-07T16:35:50Z)

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。