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
- 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) - Toward Trustworthy Neural Program Synthesis [6.3557174349423455]
本研究では,大規模言語モデルからサンプルしたプログラムが正しい確率を推定する手法を開発する。
プログラミング問題の自然言語記述を前提として,本手法では,プログラムの振る舞いを規定する候補述語だけでなく,候補プログラムも抽出する。
論文 参考訳(メタデータ) (2022-09-29T20:32:07Z) - 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) - Efficient Pragmatic Program Synthesis with Informative Specifications [13.234975857626752]
本研究では,プログラムの協調分布を独立要因の積で近似することにより,実用的かつ効率的なプログラムシンセサイザーを構築することができることを示す。
因子近似を仮定するシンセサイザーは, 人間の入力に対して正確な関節分布を仮定するシンセサイザーよりも優れていた。
論文 参考訳(メタデータ) (2022-04-05T21:25:58Z) - Human-Algorithm Collaboration: Achieving Complementarity and Avoiding
Unfairness [92.26039686430204]
慎重に設計されたシステムであっても、補完的な性能はあり得ないことを示す。
まず,簡単な人間アルゴリズムをモデル化するための理論的枠組みを提案する。
次に、このモデルを用いて相補性が不可能な条件を証明する。
論文 参考訳(メタデータ) (2022-02-17T18:44:41Z) - 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) - Latent Execution for Neural Program Synthesis Beyond Domain-Specific
Languages [97.58968222942173]
入力出力の例からCプログラムを合成する第一歩を踏み出す。
特に,部分生成プログラムの実行を近似するために潜在表現を学習するLa Synthを提案する。
これらのプログラムのトレーニングにより,Karel と C のプログラム合成における予測性能がさらに向上することを示す。
論文 参考訳(メタデータ) (2021-06-29T02:21:32Z) - 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) - Program Synthesis with Pragmatic Communication [28.24612900419843]
本研究では,プログラム合成タスクを合理的なコミュニケーションとしてモデル化した新しい帰納的バイアスを導入する。
ユーザスタディでは、エンドユーザの参加者が、非実用的なプログラムシンセサイザーよりも、より効果的に、実践的なプログラムシンセサイザーと通信することを発見した。
論文 参考訳(メタデータ) (2020-07-09T20:55:44Z) - 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。