論文の概要: COOL: Efficient and Reliable Chain-Oriented Objective Logic with Neural Networks Feedback Control for Program Synthesis

• arxiv url: http://arxiv.org/abs/2410.13874v2
• Date: Thu, 24 Oct 2024 12:16:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-25 12:51:38.415932
• Title: COOL: Efficient and Reliable Chain-Oriented Objective Logic with Neural Networks Feedback Control for Program Synthesis
• Title（参考訳）: COOL: プログラム合成のためのニューラルネットワークフィードバック制御による効率よく信頼性の高い連鎖指向オブジェクト指向論理
• Authors: Jipeng Han,
• Abstract要約: 論理の連鎖(CoL)は、合成段階を連鎖に整理し、合成過程を正確に制御する。 我々のアプローチは、合成をモジュール化し、ニューラルネットワークの誤予測の影響を軽減します。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Program synthesis methods, whether formal or neural-based, lack fine-grained control and flexible modularity, which limits their adaptation to complex software development. These limitations stem from rigid Domain-Specific Language (DSL) frameworks and neural network incorrect predictions. To this end, we propose the Chain of Logic (CoL), which organizes synthesis stages into a chain and provides precise heuristic control to guide the synthesis process. Furthermore, by integrating neural networks with libraries and introducing a Neural Network Feedback Control (NNFC) mechanism, our approach modularizes synthesis and mitigates the impact of neural network mispredictions. Experiments on relational and symbolic synthesis tasks show that CoL significantly enhances the efficiency and reliability of DSL program synthesis across multiple metrics. Specifically, CoL improves accuracy by 70% while reducing tree operations by 91% and time by 95%. Additionally, NNFC further boosts accuracy by 6%, with a 64% reduction in tree operations under challenging conditions such as insufficient training data, increased difficulty, and multidomain synthesis. These improvements confirm COOL as a highly efficient and reliable program synthesis framework.
• Abstract（参考訳）: プログラム合成手法は、形式的であれ神経的であれ、きめ細かな制御と柔軟性に欠けており、複雑なソフトウェア開発への適応を制限している。 これらの制限は、厳格なドメイン特化言語(DSL)フレームワークとニューラルネットワークの誤った予測に由来する。 そこで本研究では, 合成段階をチェーンに整理し, 合成過程を導くための正確なヒューリスティック制御を提供する, 論理の連鎖 (CoL) を提案する。 さらに,ニューラルネットワークをライブラリと統合し,ニューラルネットワークフィードバック制御(NNFC)機構を導入することで,ニューラルネットワークの誤予測の影響を軽減し,合成をモジュール化する。 リレーショナルおよびシンボリック合成タスクの実験は、CoLが複数のメトリクスにわたるDSLプログラム合成の効率と信頼性を著しく向上することを示している。 特に、CoLは木の操作を91%減らし、時間を95%減らしながら精度を70%改善する。 さらに、NNFCはトレーニングデータ不足、難易度の向上、マルチドメイン合成といった困難な条件下でのツリー操作を64%削減し、精度を6%向上させる。 これらの改善は、COOLを高効率で信頼性の高いプログラム合成フレームワークとして確認する。

関連論文リスト

• An Automata-Theoretic Approach to Synthesizing Binarized Neural Networks [13.271286153792058]
  量子ニューラルネットワーク(QNN)が開発され、二項化ニューラルネットワーク(BNN)は特殊なケースとしてバイナリ値に制限されている。 本稿では,指定された特性を満たすBNNの自動合成手法を提案する。
  論文  参考訳（メタデータ） (2023-07-29T06:27:28Z)
• Neural Speech Synthesis on a Shoestring: Improving the Efficiency of LPCNet [35.44634252321666]
  我々はLPCNetの効率を改善し、多種多様なデバイスで利用できるようにする。 2.5倍高速に動作しながら, 合成品質の向上を実証した。 結果として得られるオープンソースのLPCNetアルゴリズムは、既存のほとんどの携帯電話でリアルタイムなニューラルシンセシスを実行でき、組み込みデバイスでも使用することができる。
  論文  参考訳（メタデータ） (2022-02-22T20:42:00Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)
• Learning in Deep Neural Networks Using a Biologically Inspired Optimizer [5.144809478361604]
  人工神経(ANN)とスパイクニューラルネット(SNN)にインスパイアされた新しい生物モデルを提案する。 GRAPESは、ニューラルネットワークの各ノードにおけるエラー信号の重量分布依存変調を実装している。 生物学的にインスパイアされたこのメカニズムは,ネットワークの収束率を体系的に改善し,ANNやSNNの分類精度を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2021-04-23T13:50:30Z)
• Toward Neural-Network-Guided Program Synthesis and Verification [26.706421573322952]
  ニューラルネットワーク誘導合成という,プログラムと不変合成の新しい枠組みを提案する。 まず、ニューラルネットワークの設計とトレーニングによって、訓練されたニューラルネットワークの重みとバイアスから整数上の論理式を抽出できることを示します。 この考え方に基づき、正負の例と含意制約から公式を合成するツールを実装した。
  論文  参考訳（メタデータ） (2021-03-17T03:09:05Z)
• Deep Multi-Task Learning for Cooperative NOMA: System Design and Principles [52.79089414630366]
  我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。 我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-07-27T12:38:37Z)
• Progressive Tandem Learning for Pattern Recognition with Deep Spiking Neural Networks [80.15411508088522]
  スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。 高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-02T15:38:44Z)
• Toward fast and accurate human pose estimation via soft-gated skip connections [97.06882200076096]
  本稿では,高精度かつ高効率な人間のポーズ推定について述べる。 我々は、最先端技術よりも精度と効率を両立させる文脈において、この設計選択を再分析する。 本モデルでは,MPII と LSP のデータセットから最先端の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-25T18:51:51Z)
• Large-Scale Gradient-Free Deep Learning with Recursive Local Representation Alignment [84.57874289554839]
  大規模データセット上でディープニューラルネットワークをトレーニングするには、重要なハードウェアリソースが必要である。 これらのネットワークをトレーニングするためのワークホースであるバックプロパゲーションは、本質的に並列化が難しいシーケンシャルなプロセスである。 本稿では、深層ネットワークのトレーニングに使用できるバックプロップに代わる、神経生物学的に有望な代替手段を提案する。
  論文  参考訳（メタデータ） (2020-02-10T16:20:02Z)
• CounterExample Guided Neural Synthesis [12.742347465894586]
  プログラム合成は困難であり、形式的な保証を提供する方法はスケーラビリティの問題に悩まされる。 ニューラルネットワークとフォーマルな推論を組み合わせることで、論理的な仕様をニューラルネットワークを正しい解へと導く一連の例に変換する。 この結果から,形式的推論に基づくガイダンスにより,ニューラルネットワークの性能が大幅に向上することが示唆された。
  論文  参考訳（メタデータ） (2020-01-25T01:11:53Z)

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。