論文の概要: Learning Randomized Reductions and Program Properties
- arxiv url: http://arxiv.org/abs/2412.18134v1
- Date: Tue, 24 Dec 2024 03:42:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-25 15:56:42.574729
- Title: Learning Randomized Reductions and Program Properties
- Title(参考訳): ランダム化還元とプログラム特性の学習
- Authors: Ferhat Erata, Orr Paradise, Timos Antonopoulos, ThanhVu Nguyen, Shafi Goldwasser, Ruzica Piskac,
- Abstract要約: Bitweenは、数値プログラムにおけるランダム化(自己)推論とプログラム特性の自動学習の方法とツールである。
我々は、これらの削減を学習するための理論的枠組みを確立し、科学および機械学習機能におけるBitweenの機能を評価するベンチマークスイートであるRSR-Benchを紹介した。
- 参考スコア(独自算出の注目度): 12.027016519515477
- License:
- Abstract: The correctness of computations remains a significant challenge in computer science, with traditional approaches relying on automated testing or formal verification. Self-testing/correcting programs introduce an alternative paradigm, allowing a program to verify and correct its own outputs via randomized reductions, a concept that previously required manual derivation. In this paper, we present Bitween, a method and tool for automated learning of randomized (self)-reductions and program properties in numerical programs. Bitween combines symbolic analysis and machine learning, with a surprising finding: polynomial-time linear regression, a basic optimization method, is not only sufficient but also highly effective for deriving complex randomized self-reductions and program invariants, often outperforming sophisticated mixed-integer linear programming solvers. We establish a theoretical framework for learning these reductions and introduce RSR-Bench, a benchmark suite for evaluating Bitween's capabilities on scientific and machine learning functions. Our empirical results show that Bitween surpasses state-of-the-art tools in scalability, stability, and sample efficiency when evaluated on nonlinear invariant benchmarks like NLA-DigBench. Bitween is open-source as a Python package and accessible via a web interface that supports C language programs.
- Abstract(参考訳): 計算の正しさはコンピュータ科学における重要な課題であり、従来のアプローチは自動テストや形式検証に依存していた。
自己検証/修正プログラムは別のパラダイムを導入し、以前は手動の導出を必要としていたランダム化還元(英語版)を通じてプログラムが自身の出力を検証し修正することを可能にする。
本稿では,数値プログラムにおけるランダム化(自己)推論とプログラム特性の自動学習手法であるBitweenを提案する。
多項式時間線形回帰(英語版)は、基本的な最適化法であるだけでなく、複雑なランダム化された自己還元とプログラム不変量の導出にも有効であり、しばしば洗練された混合整数線形プログラミング解法よりも優れている。
我々は、これらの削減を学習するための理論的枠組みを確立し、科学および機械学習機能におけるBitweenの機能を評価するベンチマークスイートであるRSR-Benchを紹介した。
NLA-DigBenchのような非線形不変ベンチマークで評価すると,Bitweenはスケーラビリティ,安定性,サンプル効率において最先端のツールを上回ることが実証された。
BitweenはPythonパッケージとしてオープンソースで、C言語プログラムをサポートするWebインターフェースを介してアクセスすることができる。
関連論文リスト
- Learning Semantics-aware Search Operators for Genetic Programming [0.20718016474717196]
テストベースのプログラム合成における適合性景観は、非常に頑丈であることが知られている。
本稿では,有効な候補プログラムの探索を支援するセマンティックス・アウェア・サーチ・オペレータを提案する。
論文 参考訳(メタデータ) (2025-02-06T23:46:04Z) - Formal Verification of Markov Processes with Learned Parameters [2.5694725194040804]
幅広い機械学習モデルに対して,マルコフ連鎖の性質を検証することはバイリニアプログラムとして定式化できることを示す。
計算実験により,本手法は最先端の解法よりも最大100倍高速に大域的最適性を解けることを示した。
論文 参考訳(メタデータ) (2025-01-27T04:34:22Z) - Evaluation of Artificial Intelligence Methods for Lead Time Prediction in Non-Cycled Areas of Automotive Production [1.3499500088995464]
本研究では,自動車生産環境における人工知能適用の有効性について検討した。
データ構造は、コンテキストの特徴を識別するために分析され、ワンホット符号化を使用して前処理される。
この研究は、高度に可変された生産データにAIメソッドを効果的に適用し、ビジネス価値を付加できることを実証している。
論文 参考訳(メタデータ) (2025-01-13T13:28:03Z) - Searching Latent Program Spaces [0.0]
本研究では,連続空間における潜伏プログラム上の分布を学習し,効率的な探索とテスト時間適応を可能にするプログラム誘導アルゴリズムを提案する。
テスト時間適応機構を利用して、トレーニング分布を超えて一般化し、目に見えないタスクに適応できることを示す。
論文 参考訳(メタデータ) (2024-11-13T15:50:32Z) - Using Machine Learning To Identify Software Weaknesses From Software
Requirement Specifications [49.1574468325115]
本研究は、要求仕様からソフトウェア弱点を特定するための効率的な機械学習アルゴリズムを見つけることに焦点を当てる。
ProMISE_exp. Naive Bayes、サポートベクターマシン(SVM)、決定木、ニューラルネットワーク、畳み込みニューラルネットワーク(CNN)アルゴリズムをテストした。
論文 参考訳(メタデータ) (2023-08-10T13:19:10Z) - Modelling Concurrency Bugs Using Machine Learning [0.0]
このプロジェクトは、一般的な機械学習アプローチと最近の機械学習アプローチを比較することを目的としている。
我々は、実生活(同時)プログラムをシミュレートする範囲で生成する合成データセットを定義する。
各種機械学習モデルモデルの基本的な限界に関する仮説を定式化する。
論文 参考訳(メタデータ) (2023-05-08T17:30:24Z) - VCNet: A self-explaining model for realistic counterfactual generation [52.77024349608834]
事実的説明は、機械学習の決定を局所的に説明するための手法のクラスである。
本稿では,予測器と対実生成器を組み合わせたモデルアーキテクチャであるVCNet-Variational Counter Netを提案する。
我々はVCNetが予測を生成でき、また、別の最小化問題を解くことなく、反現実的な説明を生成できることを示した。
論文 参考訳(メタデータ) (2022-12-21T08:45:32Z) - A Stable, Fast, and Fully Automatic Learning Algorithm for Predictive
Coding Networks [65.34977803841007]
予測符号化ネットワークは、ベイズ統計学と神経科学の両方にルーツを持つ神経科学にインスパイアされたモデルである。
シナプス重みに対する更新規則の時間的スケジュールを変更するだけで、元の規則よりもずっと効率的で安定したアルゴリズムが得られることを示す。
論文 参考訳(メタデータ) (2022-11-16T00:11:04Z) - 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) - Predictive Coding Approximates Backprop along Arbitrary Computation
Graphs [68.8204255655161]
我々は、コア機械学習アーキテクチャを予測的符号化に翻訳する戦略を開発する。
私たちのモデルは、挑戦的な機械学習ベンチマークのバックプロップと同等に機能します。
本手法は,ニューラルネットワークに標準機械学習アルゴリズムを直接実装できる可能性を高める。
論文 参考訳(メタデータ) (2020-06-07T15:35:47Z) - Synthetic Datasets for Neural Program Synthesis [66.20924952964117]
本稿では,プログラムと仕様の両方で合成データ分布のバイアスを制御し,評価するための新しい手法を提案する。
そこで我々は,Karel DSLと小さなCalculator DSLを用いて,これらの分布上でのディープネットワークのトレーニングにより,分散一般化性能が向上することが実証された。
論文 参考訳(メタデータ) (2019-12-27T21:28:10Z)
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。