Fugu-MT 論文翻訳(概要): Relational decomposition for program synthesis

論文の概要: Relational decomposition for program synthesis

arxiv url: http://arxiv.org/abs/2408.12212v1
Date: Thu, 22 Aug 2024 08:41:52 GMT
ステータス: 処理完了
システム内更新日: 2024-08-23 14:43:27.607448
Title: Relational decomposition for program synthesis
Title（参考訳）: プログラム合成のための関係分解
Authors: Céline Hocquette, Andrew Cropper,
Abstract要約: 複雑な機能タスクを単純なリレーショナル合成サブタスクに分解する新しいプログラム合成手法を提案する。本稿では,3つの挑戦的データセットに対して,既製の帰納型論理プログラミング(ILP)システムを用いて提案手法の有効性を実証する。
参考スコア（独自算出の注目度）: 27.6240219662896
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce a novel approach to program synthesis that decomposes complex functional tasks into simpler relational synthesis sub-tasks. We demonstrate the effectiveness of our approach using an off-the-shelf inductive logic programming (ILP) system on three challenging datasets. Our results show that (i) a relational representation can outperform a functional one, and (ii) an off-the-shelf ILP system with a relational encoding can outperform domain-specific approaches.
Abstract（参考訳）: 複雑な機能タスクを単純なリレーショナル合成サブタスクに分解する新しいプログラム合成手法を提案する。 3つの挑戦的データセットに対して,既製の帰納型論理プログラミング(ILP)システムを用いて,本手法の有効性を実証する。私たちの結果は (i)関係表現は機能表現より優れ、 (II)リレーショナルエンコーディングを備えた既製のICPシステムは,ドメイン固有のアプローチよりも優れている。

関連論文リスト

On-the-fly Synthesis for LTL over Finite Traces: An Efficient Approach that Counts [20.14001970300658]
トップダウン決定論的オートマトン構築に基づく有限トレース(LTLf)上での線形時間論理のオンザフライフレームワークを提案する。
論文参考訳（メタデータ） (2024-08-14T06:52:58Z)
Guiding Language Model Reasoning with Planning Tokens [122.43639723387516]
大規模言語モデル(LLM)は、最近、複雑な推論タスクを実行する能力に対して、かなりの関心を集めている。より構造的なチェーン・オブ・シークレット・ステップの創出を促す階層的な生成手法を提案する。提案手法では、トレーニング可能なパラメータ(0.001%)の無視可能な増加が必要であり、完全な微調整か、よりパラメータ効率の良いスキームで適用することができる。
論文参考訳（メタデータ） (2023-10-09T13:29:37Z)
ExeDec: Execution Decomposition for Compositional Generalization in Neural Program Synthesis [54.18659323181771]
プログラム合成において望ましいいくつかの異なる構成一般化形式を特徴付ける。本稿では,ExeDecを提案する。ExeDecは,実行サブゴールを予測し,各ステップでプログラム実行によって段階的に通知される問題を解くための,新しい分解ベースの戦略である。
論文参考訳（メタデータ） (2023-07-26T01:07:52Z)
A Divide-Align-Conquer Strategy for Program Synthesis [8.595181704811889]
本稿では,大規模プログラムの探索を複数の小さなプログラム合成問題に分割する例によって,構成セグメント化がプログラミングに応用可能であることを示す。入力と出力における構成部品の構造的アライメントは、プログラム探索を導くのに使用されるペアワイズ対応に繋がる。
論文参考訳（メタデータ） (2023-01-08T19:10:55Z)
Neural Combinatorial Logic Circuit Synthesis from Input-Output Examples [10.482805367361818]
本稿では,入力出力の例から論理回路を合成するための,新しい完全説明可能なニューラルアプローチを提案する。我々の方法は、ほぼ任意の原子の選択に利用できる。
論文参考訳（メタデータ） (2022-10-29T14:06:42Z)
Offline Reinforcement Learning with Differentiable Function Approximation is Provably Efficient [65.08966446962845]
歴史的データを用いて意思決定戦略を最適化することを目的としたオフライン強化学習は、現実の応用に広く適用されている。微分関数クラス近似(DFA)を用いたオフライン強化学習の検討から一歩踏み出した。最も重要なことは、悲観的な適合Q-ラーニングアルゴリズムを解析することにより、オフライン微分関数近似が有効であることを示すことである。
論文参考訳（メタデータ） (2022-10-03T07:59:42Z)
Stabilizing Q-learning with Linear Architectures for Provably Efficient Learning [53.17258888552998]
本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
論文参考訳（メタデータ） (2022-06-01T23:26:51Z)
Adjacency List Oriented Relational Fact Extraction via Adaptive Multi-task Learning [24.77542721790553]
本稿では,すべての事実抽出モデルをグラフ指向分析の観点から整理可能であることを示す。この分析枠組みに基づいて,効率的なモデルaDjacency lIst oRientational faCT(Direct)を提案する。
論文参考訳（メタデータ） (2021-06-03T02:57:08Z)
BUSTLE: Bottom-Up Program Synthesis Through Learning-Guided Exploration [72.88493072196094]
プログラムのボトムアップ検索に学習を活用する新しい合成手法を提案する。特に、入力出力例のセットに基づいて、探索条件中の中間値の合成を優先順位付けするようにモデルを訓練する。単純な教師付き学習アプローチであっても,学習とボトムアップ検索の組み合わせは極めて効果的であることを示す。
論文参考訳（メタデータ） (2020-07-28T17:46:18Z)
A Dependency Syntactic Knowledge Augmented Interactive Architecture for End-to-End Aspect-based Sentiment Analysis [73.74885246830611]
エンドツーエンドABSAのためのマルチタスク学習を用いた対話型アーキテクチャを新たに提案する。このモデルは、よく設計された依存性関係埋め込みグラフ畳み込みネットワーク(DreGcn)を活用することで、構文知識(依存性関係と型)を完全に活用することができる。 3つのベンチマークデータセットの大規模な実験結果から,本手法の有効性が示された。
論文参考訳（メタデータ） (2020-04-04T14:59:32Z)

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。