論文の概要: Combining Logic with Large Language Models for Automatic Debugging and Repair of ASP Programs

• arxiv url: http://arxiv.org/abs/2410.20962v1
• Date: Mon, 28 Oct 2024 12:30:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:14:57.585701
• Title: Combining Logic with Large Language Models for Automatic Debugging and Repair of ASP Programs
• Title（参考訳）: ASPプログラムの自動デバッグと修復のためのロジックと大規模言語モデルを組み合わせる
• Authors: Ricardo Brancas, Vasco Manquinho, Ruben Martins,
• Abstract要約: FormHeは、ロジックベースのテクニックと大規模言語モデルを組み合わせて、Answer Set Programmingの課題を特定し、修正するツールである。 以上の結果から,FormHeは94%の症例の欠陥を正確に検出し,誤りの58%を修復することに成功した。
• 参考スコア（独自算出の注目度）: 1.0650780147044159
• License:
• Abstract: Logic programs are a powerful approach for solving NP-Hard problems. However, due to their declarative nature, debugging logic programs poses significant challenges. Unlike procedural paradigms, which allow for step-by-step inspection of program state, logic programs require reasoning about logical statements for fault localization. This complexity is amplified in learning environments due to students' inexperience. We introduce FormHe, a novel tool that combines logic-based techniques and Large Language Models to identify and correct issues in Answer Set Programming submissions. FormHe consists of two components: a fault localization module and a program repair module. First, the fault localizer identifies a set of faulty program statements requiring modification. Subsequently, FormHe employs program mutation techniques and Large Language Models to repair the flawed ASP program. These repairs can then serve as guidance for students to correct their programs. Our experiments with real buggy programs submitted by students show that FormHe accurately detects faults in 94% of cases and successfully repairs 58% of incorrect submissions.
• Abstract（参考訳）: 論理プログラムはNP-Hard問題を解決するための強力なアプローチである。 しかし、宣言的な性質のため、デバッグロジックプログラムには重大な課題が生じる。 プログラム状態の段階的な検査を可能にする手続き的パラダイムとは異なり、論理プログラムは障害ローカライゼーションのための論理文の推論を必要とする。 この複雑さは、学生の経験不足により、学習環境において増幅される。 論理ベースの手法と大規模言語モデルを組み合わせた新しいツールであるFormHeを導入し、Answer Set Programmingの課題を特定し、修正する。 FormHeは、障害ローカライゼーションモジュールとプログラム修復モジュールの2つのコンポーネントで構成されている。 まず、障害ローカライザは修正が必要なプログラムステートメントのセットを特定する。 その後、FormHeは欠陥のあるASPプログラムを修復するためにプログラムの突然変異テクニックとLarge Language Modelsを採用している。 これらの修復は、生徒がプログラムを修正するためのガイダンスとなる。 学生が提出した実際のバギープログラムを用いて行った実験では,FormHeが94%の症例の欠陥を正確に検出し,誤りの58%を修復できた。

関連論文リスト

• Logic Error Localization in Student Programming Assignments Using Pseudocode and Graph Neural Networks [31.600659350609476]
  そこで我々は,学生プログラミングの課題における論理誤差を線形レベルでローカライズするシステムを開発した。 グラフニューラルネットワークを用いて、論理エラーの局所化と修正を提案する。 実験結果は有望であり、上位10行の論理誤差に対して99.2%の局所化精度を示す。
  論文  参考訳（メタデータ） (2024-10-11T01:46:24Z)
• Multi-Task Program Error Repair and Explanatory Diagnosis [28.711745671275477]
  マルチタスクプログラムエラー修復・説明診断(mPRED)のための新しい機械学習手法を提案する。 ソースコードのエンコードには事前訓練された言語モデルが使用され、ダウンストリームモデルはエラーを特定して修復するために特別に設計されている。 プログラム構造を可視化・解析するために,プログラム構造の可視化にグラフニューラルネットワークを用いる。
  論文  参考訳（メタデータ） (2024-10-09T05:09:24Z)
• Improving LLM Classification of Logical Errors by Integrating Error Relationship into Prompts [1.7095867620640115]
  プログラミング教育の重要な側面は、エラーメッセージの理解と処理である。 プログラムがプログラマの意図に反して動作している「論理エラー」は、コンパイラからエラーメッセージを受け取らない。 そこで本研究では,LLMを用いた論理的誤り検出手法を提案し,この手法を用いて,Chain-of-ThoughtとTree-of-Thoughtのプロンプトのエラータイプ間の関係を推定する。
  論文  参考訳（メタデータ） (2024-04-30T08:03:22Z)
• NExT: Teaching Large Language Models to Reason about Code Execution [50.93581376646064]
  大規模言語モデル(LLM)のコードは通常、プログラムの表面テキスト形式に基づいて訓練される。 NExTは,プログラムの実行トレースを検査し,実行時の動作を判断する手法である。
  論文  参考訳（メタデータ） (2024-04-23T01:46:32Z)
• Language Models can be Logical Solvers [99.40649402395725]
  論理解法の推論過程を直接エミュレートする新しい言語モデルであるLoGiPTを導入する。 LoGiPTは、導出的ソルバの見えない推論過程を明らかにして精錬することから導かれる、新しく構築された命令チューニングデータセットに基づいて微調整される。
  論文  参考訳（メタデータ） (2023-11-10T16:23:50Z)
• Guess & Sketch: Language Model Guided Transpilation [59.02147255276078]
  学習されたトランスパイレーションは、手作業による書き直しやエンジニアリングの取り組みに代わるものだ。 確率的ニューラルネットワークモデル(LM)は、入力毎に可塑性出力を生成するが、正確性を保証するコストがかかる。 Guess & Sketch は LM の特徴からアライメントと信頼性情報を抽出し、意味的等価性を解決するためにシンボリック・ソルバに渡す。
  論文  参考訳（メタデータ） (2023-09-25T15:42:18Z)
• Fact-Checking Complex Claims with Program-Guided Reasoning [99.7212240712869]
  Program-Guided Fact-Checking (ProgramFC)は、複雑なクレームを単純なサブタスクに分解する新しいファクトチェックモデルである。 まず,大規模言語モデルの文脈内学習能力を活用して推論プログラムを生成する。 我々は,各サブタスクを対応するサブタスクハンドラに委譲することでプログラムを実行する。
  論文  参考訳（メタデータ） (2023-05-22T06:11:15Z)
• System Predictor: Grounding Size Estimator for Logic Programs under Answer Set Semantics [0.5801044612920815]
  本稿では,プログラムの基底サイズを推定するシステム予測器を提案する。 本稿では,Productor と Lpopt が生成したリライトのガイドとして使用するPredictor の効果を評価する。
  論文  参考訳（メタデータ） (2023-03-29T20:49:40Z)
• Enforcing Consistency in Weakly Supervised Semantic Parsing [68.2211621631765]
  本稿では,関連する入力に対する出力プログラム間の整合性を利用して,スプリアスプログラムの影響を低減することを提案する。 より一貫性のあるフォーマリズムは、一貫性に基づくトレーニングを必要とせずに、モデルパフォーマンスを改善することにつながります。
  論文  参考訳（メタデータ） (2021-07-13T03:48:04Z)
• Graph-based, Self-Supervised Program Repair from Diagnostic Feedback [108.48853808418725]
  本稿では,ソースコードの修復や診断フィードバックに関連するシンボルを結合するプログラムフィードバックグラフを提案する。 次に、推論プロセスのモデル化にグラフニューラルネットワークを適用します。 オンラインで利用可能なラベルのないプログラムを活用するプログラム修復のための自己指導型学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2020-05-20T07:24:28Z)

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。