論文の概要: Top Pass: Improve Code Generation by Pass@k-Maximized Code Ranking
- arxiv url: http://arxiv.org/abs/2408.05715v1
- Date: Sun, 11 Aug 2024 07:53:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-13 15:57:51.947038
- Title: Top Pass: Improve Code Generation by Pass@k-Maximized Code Ranking
- Title（参考訳）: Top Pass: Pass@k-Maximized Code Rankingによるコード生成の改善
- Authors: Zhi-Cun Lyu, Xin-Ye Li, Zheng Xie, Ming Li,
- Abstract要約: Top Passは、多数の候補からの潜在的な正しいソリューションを特定する、コードランキングのアプローチである。
これにより、ユーザは可能な限り少ない試行で正しいソリューションを見つけることができる。
- 参考スコア（独自算出の注目度）: 11.109866941442641
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Code generation has been greatly enhanced by the profound advancements in Large Language Models (LLMs) recently. Nevertheless, such LLM-based code generation approaches still struggle to generate error-free code in a few tries when faced with complex problems. To address this, the prevailing strategy is to sample a huge number of candidate programs, with the hope of any one in them could work. However, users of code generation systems usually expect to find a correct program by reviewing or testing only a small number of code candidates. Otherwise, the system would be unhelpful. In this paper, we propose Top Pass, a code ranking approach that identifies potential correct solutions from a large number of candidates. Top Pass directly optimizes the pass@k loss function, enhancing the quality at the top of the candidate list. This enables the user to find the correct solution within as few tries as possible. Experimental results on four benchmarks indicate that our Top Pass method enhances the usability of code generation models by producing better ranking results, particularly achieving a 32.9\% relative improvement in pass@1 on CodeContests when compared to the state-of-the-art ranking method.
- Abstract（参考訳）: コード生成は、最近、LLM(Large Language Models)の大幅な進歩によって大幅に強化された。
それでも、このようなLLMベースのコード生成アプローチは、複雑な問題に直面した数回の試行において、エラーのないコードを生成するのに依然として苦労している。
この問題に対処するため、一般的な戦略は、膨大な数の候補プログラムをサンプリングすることであり、そのうちのどのプログラムも機能することを期待している。
しかし、コード生成システムのユーザは通常、少数のコード候補のみをレビューまたはテストすることで、正しいプログラムを見つけることを期待する。
そうでなければ、システムは不完全なものになるでしょう。
本稿では,多数の候補からの潜在的な正解を識別するコードランキング手法であるTop Passを提案する。
Top Passはpass@k損失関数を直接最適化し、候補リストのトップの品質を高める。
これにより、ユーザは可能な限り少ない試行で正しいソリューションを見つけることができる。
4つのベンチマークでの実験結果から,Top Pass法はより優れたランキング結果を生成することにより,コード生成モデルのユーザビリティを向上させることが示唆された。
関連論文リスト
- ConAIR:Consistency-Augmented Iterative Interaction Framework to Enhance the Reliability of Code Generation [17.68163468068264]
コード生成, ConAIR の信頼性を高めるために, 一貫性を付加した反復的相互作用フレームワークを提案する。
人間の努力を最小限に抑えることで、パフォーマンスを大幅に向上できることを示す。
論文 参考訳（メタデータ） (2024-11-23T15:26:24Z) - Rethinking Code Refinement: Learning to Judge Code Efficiency [60.04718679054704]
大規模言語モデル(LLM)は、コードを理解して生成する素晴らしい能力を示しています。
本稿では,2つの異なる符号間の効率を判定するために訓練されたコード言語モデルに基づく新しい手法を提案する。
提案手法は,複数の改良ステップで複数のプログラミング言語に対して検証し,より効率的で少ないバージョンのコードの識別を効果的に行うことができることを示した。
論文 参考訳（メタデータ） (2024-10-29T06:17:37Z) - CodeDPO: Aligning Code Models with Self Generated and Verified Source Code [52.70310361822519]
我々は、コード生成に好み学習を統合するフレームワークであるCodeDPOを提案し、コードの正確性と効率性という2つの重要なコード優先要因を改善した。
CodeDPOは、コードとテストケースを同時に生成、評価するセルフジェネレーション・アンド・バリデーションメカニズムを利用して、新しいデータセット構築方法を採用している。
論文 参考訳（メタデータ） (2024-10-08T01:36:15Z) - B4: Towards Optimal Assessment of Plausible Code Solutions with Plausible Tests [16.19318541132026]
ベイズフレームワーク内では、解と試験の間の観測された通過状態の後続確率に基づいて最適な選択戦略が定義されることを示す。
本稿では,この最適(計算不可能な)戦略を近似するための効率的な手法を提案する。
論文 参考訳（メタデータ） (2024-09-13T10:22:08Z) - Sifting through the Chaff: On Utilizing Execution Feedback for Ranking the Generated Code Candidates [46.74037090843497]
大規模言語モデル(LLM)は、自然言語記述に基づいたコードの自動生成によって、開発者がプログラミングにアプローチする方法を変えつつある。
本稿では,実行フィードバックを活用するコードランキングの革新的なアプローチである RankEF について述べる。
3つのコード生成ベンチマークの実験では、RanEFが最先端のCodeRankerよりも大幅に優れていることが示されている。
論文 参考訳（メタデータ） (2024-08-26T01:48:57Z) - DOCE: Finding the Sweet Spot for Execution-Based Code Generation [69.5305729627198]
本稿では,候補生成,$n$-best再ランク,最小ベイズリスク(MBR)復号化,自己老化などを含む包括的フレームワークを提案する。
本研究は,実行ベースメソッドの重要性と,実行ベースメソッドと実行フリーメソッドとの差を明らかにする。
論文 参考訳（メタデータ） (2024-08-25T07:10:36Z) - Code Generation with AlphaCodium: From Prompt Engineering to Flow
Engineering [6.779943486567506]
テストベース,多段階,コード指向反復流LLMによるコード生成の新しい手法を提案する。
私たちは、CodeContestsと呼ばれる挑戦的なコード生成データセットでAlphaCodiumをテストしました。
例えば、GPT-4の精度(pass@5)は19%に向上し、1つの適切に設計された直接的プロンプトはAlphaCodiumフローで44%に増加した。
論文 参考訳（メタデータ） (2024-01-16T17:00:36Z) - Functional Overlap Reranking for Neural Code Generation [6.665515707408405]
SRankは、コード生成から最良のソリューションを選択するための、新しいランク付け戦略である。
ソリューションクラスタ間の機能の重複を定量化することにより、私たちのアプローチは、コードソリューションのより良いランキング戦略を提供します。
実験結果から,pass@1のスコアで顕著な結果が得られることがわかった。
論文 参考訳（メタデータ） (2023-10-16T22:20:31Z) - Interactive Code Generation via Test-Driven User-Intent Formalization [60.90035204567797]
大きな言語モデル(LLM)は、非公式な自然言語(NL)の意図からコードを生成する。
自然言語は曖昧であり、形式的な意味論が欠けているため、正確性の概念を定義するのは難しい。
言語に依存しない抽象アルゴリズムと具体的な実装TiCoderについて述べる。
論文 参考訳（メタデータ） (2022-08-11T17:41:08Z) - Measuring Coding Challenge Competence With APPS [54.22600767666257]
コード生成のベンチマークであるAPPSを紹介する。
私たちのベンチマークには1万の問題が含まれています。
GPT-Neoのような最近のモデルでは、導入問題のテストケースの約15%をパスできる。
論文 参考訳（メタデータ） (2021-05-20T17:58:42Z)
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。