論文の概要: Can humans teach machines to code?
- arxiv url: http://arxiv.org/abs/2404.19397v1
- Date: Tue, 30 Apr 2024 09:42:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-01 14:44:46.022604
- Title: Can humans teach machines to code?
- Title(参考訳): 人間は機械にプログラミングを教えることができるのか?
- Authors: Céline Hocquette, Johannes Langer, Andrew Cropper, Ute Schmid,
- Abstract要約: 鍵となる前提は、人間が機械に概念を教えるのに十分な品質の例を提供することができるということである。
我々は、リストの最大要素を見つけるなど、6つのプログラミングタスクの例を生成するよう人間に依頼する。
我々は, (i) 人為的な例, (ii) ランダムなサンプル, (iii) 専門家による例に基づいて訓練されたプログラム合成システムの性能を比較した。
- 参考スコア(独自算出の注目度): 24.32052793811087
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The goal of inductive program synthesis is for a machine to automatically generate a program from user-supplied examples of the desired behaviour of the program. A key underlying assumption is that humans can provide examples of sufficient quality to teach a concept to a machine. However, as far as we are aware, this assumption lacks both empirical and theoretical support. To address this limitation, we explore the question `Can humans teach machines to code?'. To answer this question, we conduct a study where we ask humans to generate examples for six programming tasks, such as finding the maximum element of a list. We compare the performance of a program synthesis system trained on (i) human-provided examples, (ii) randomly sampled examples, and (iii) expert-provided examples. Our results show that, on most of the tasks, non-expert participants did not provide sufficient examples for a program synthesis system to learn an accurate program. Our results also show that non-experts need to provide more examples than both randomly sampled and expert-provided examples.
- Abstract(参考訳): 帰納的プログラム合成の目標は、プログラムの望ましい動作のユーザが提供する例から自動的にプログラムを生成することである。
鍵となる前提は、人間が機械に概念を教えるのに十分な品質の例を提供することができるということである。
しかし、我々が知っている限りでは、この仮定には経験的および理論的支持が欠けている。
この制限に対処するため、我々は「人間は機械にプログラミングを教えるのか?」という疑問を探る。
この問いに答えるために、我々は人間にリストの最大要素を見つけるなど、6つのプログラミングタスクの例を作成するよう依頼する研究を行う。
学習したプログラム合成システムの性能の比較を行う。
一 人為的な例
(二)ランダムにサンプルを採取し、
(三)専門家による例。
その結果,ほとんどのタスクにおいて,熟練者以外の参加者は,プログラム合成システムで正確なプログラムを学習する十分な例を提供していなかった。
また,非専門家が無作為なサンプルや専門家によるサンプルよりも多くのサンプルを提供する必要があることも示唆した。
関連論文リスト
- WatChat: Explaining perplexing programs by debugging mental models [8.60151271579051]
プログラム合成技術を用いて、ユーザーがプログラムの動作に驚かされる可能性のある潜在的な誤解を自動的に推測する。
これらの誤解を分析することで、プログラムの振る舞いを簡潔かつ有用な説明を提供する。
また,本手法は,学生の誤認識を診断・修正するための教育的サンプルプログラムの合成にも適用可能である。
論文 参考訳(メタデータ) (2024-03-08T14:10:25Z) - Human-AI Co-Creation of Worked Examples for Programming Classes [1.5663705658818543]
コード説明の開始バージョンを生成するJavaの動作例を作成するオーサリングシステムを導入する。
また,本手法を用いて作成した説明の質を評価する。
論文 参考訳(メタデータ) (2024-02-26T01:44:24Z) - Generating Pragmatic Examples to Train Neural Program Synthesizers [20.819451354452085]
優れたシンセサイザーは、与えられたサンプルセットと整合した多くのプログラムから意図したプログラムを選択する必要がある。
本稿では,ニューラルネットワークを用いた新しい検索手法を提案する。
論文 参考訳(メタデータ) (2023-11-09T20:53:00Z) - Program Generation from Diverse Video Demonstrations [49.202289347899836]
複数の観察を総合することは、歴史的に機械が把握するのが困難であったタスクである。
本稿では,要約と翻訳を同時に行うことで,ビデオデモから一般的なルールを抽出できるモデルを提案する。
論文 参考訳(メタデータ) (2023-02-01T01:51:45Z) - Fault-Aware Neural Code Rankers [64.41888054066861]
サンプルプログラムの正しさを予測できる故障認識型ニューラルネットワークローダを提案する。
我々のフォールト・アウェア・ローダは、様々なコード生成モデルのpass@1精度を大幅に向上させることができる。
論文 参考訳(メタデータ) (2022-06-04T22:01:05Z) - Learning from Self-Sampled Correct and Partially-Correct Programs [96.66452896657991]
そこで本研究では,モデルが学習中にサンプリングを行い,自己サンプリングされた完全正当プログラムと部分正当プログラムの両方から学習することを提案する。
自己サンプリング型プログラムと部分修正型プログラムを併用することで,学習とサンプリングプロセスのガイドに役立てることができることを示す。
提案手法は,MLEを用いた単一の参照プログラムからの学習と比較して,パス@kの性能を3.1%から12.3%向上させる。
論文 参考訳(メタデータ) (2022-05-28T03:31:07Z) - Searching for More Efficient Dynamic Programs [61.79535031840558]
本稿では,プログラム変換の集合,変換プログラムの効率を評価するための単純な指標,およびこの指標を改善するための探索手順について述べる。
実際に、自動検索は初期プログラムの大幅な改善を見出すことができることを示す。
論文 参考訳(メタデータ) (2021-09-14T20:52:55Z) - A Note on High-Probability versus In-Expectation Guarantees of
Generalization Bounds in Machine Learning [95.48744259567837]
統計的機械学習理論は、しばしば機械学習モデルの一般化を保証するよう試みる。
機械学習モデルのパフォーマンスに関する声明は、サンプリングプロセスを考慮する必要がある。
1つのステートメントを別のステートメントに変換する方法を示します。
論文 参考訳(メタデータ) (2020-10-06T09:41:35Z) - Learning large logic programs by going beyond entailment [18.27510863075184]
プログラムをインクリメンタルに構築するために、サンプル依存の損失関数によって誘導される最良優先探索を利用する新しいILPシステムであるBruteで、我々のアイデアを実装した。
実験の結果,Bruteは予測精度と学習時間で既存のILPシステムを大幅に上回っていることがわかった。
論文 参考訳(メタデータ) (2020-04-21T09:31:06Z) - Creating Synthetic Datasets via Evolution for Neural Program Synthesis [77.34726150561087]
いくつかのプログラム合成手法は、ランダムに生成された例と異なるデータ分布によく一般化されていることを示す。
本稿では, 合成データ分布のバイアスを制御し, 現在の手法より優れていることを示すための, 新たな敵対的手法を提案する。
論文 参考訳(メタデータ) (2020-03-23T18:34:15Z)
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。