論文の概要: TCProF: Time-Complexity Prediction SSL Framework

• arxiv url: http://arxiv.org/abs/2502.15749v2
• Date: Fri, 21 Mar 2025 01:48:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-24 14:54:40.761492
• Title: TCProF: Time-Complexity Prediction SSL Framework
• Title（参考訳）: TCProF: 時間複雑予測SSLフレームワーク
• Authors: Joonghyuk Hahn, Hyeseon Ahn, Jungin Kim, Soohan Lim, Yo-Sub Han,
• Abstract要約: 時間複雑性は、アルゴリズムの実行に必要な時間を決定するための理論測度である。 TCProF: Time-Complexity Prediction SSL Frameworkを紹介します。 TCProFは、拡張、シンボリックモジュール、コトレーニング機構を統合することで、パフォーマンスを大幅に向上します。
• 参考スコア（独自算出の注目度）: 3.803993344850168
• License:
• Abstract: Time complexity is a theoretic measure to determine the amount of time the algorithm needs for its execution. In reality, developers write algorithms into code snippets within limited resources, making the calculation of a code's time complexity a fundamental task. However, determining the precise time complexity of a code is theoretically undecidable. In response, recent advancements have leaned toward deploying datasets for code time complexity prediction and initiating preliminary experiments for this challenge. We investigate the challenge in low-resource scenarios where only a few labeled instances are given for training. Remarkably, we are the first to introduce TCProF: a Time-Complexity Prediction SSL Framework as an effective solution for code time complexity prediction in low-resource settings. TCProF significantly boosts performance by integrating our augmentation, symbolic modules, and a co-training mechanism, achieving a more than 60% improvement over self-training approaches. We further provide an extensive comparative analysis between TCProF, ChatGPT, and Gemini-Pro, offering a detailed evaluation of our approach. Our code is at https://github.com/peer0/few-shot-tc.
• Abstract（参考訳）: 時間複雑性は、アルゴリズムの実行に必要な時間を決定するための理論測度である。 実際、開発者は限られたリソース内でコードスニペットにアルゴリズムを書き込むため、コードの時間複雑性の計算が基本的なタスクとなる。 しかし、コードの正確な時間的複雑さを決定することは理論的には決定不可能である。 これに応えて、最近の進歩は、コード時間の複雑性予測のためのデータセットのデプロイと、この課題のための予備的な実験を開始する方向に傾いている。 トレーニング用にラベル付きインスタンスを少数用意する低リソースシナリオにおける課題について検討する。 注目すべきなのは,低リソース環境でのコード時間の複雑性予測に有効なソリューションとして,T ProF: Time-complexity Prediction SSL Frameworkを導入することです。 TCProFは、強化、シンボリックモジュール、コトレーニング機構を統合することでパフォーマンスを大幅に向上させ、自己学習アプローチよりも60%以上の改善を実現しています。 さらに、TCProF、ChatGPT、Gemini-Proの比較分析を行い、我々のアプローチを詳細に評価する。 私たちのコードはhttps://github.com/peer0/few-shot-tcにあります。

関連論文リスト

• Efficiently Serving LLM Reasoning Programs with Certaindex [4.681117143870077]
  Dynasorは、大規模言語モデル(LLM)の推論時間計算を最適化するシステムである。 従来のエンジンとは異なり、Dynasorは推論クエリ内で要求を追跡し、スケジュールする。 バッチ処理で最大50%削減され、クエリレートが3.3倍、オンラインサービスで4.7倍のレイテンシSLOが持続する。
  論文  参考訳（メタデータ） (2024-12-30T14:57:53Z)
• Learning K-U-Net with constant complexity: An Application to time series forecasting [1.8816077341295625]
  時系列予測のための深層モデルのトレーニングは、時間複雑性の固有の課題において重要なタスクである。 本稿では,ディープラーニングモデルにおいて一定の時間的複雑性を実現するために,指数関数的に重み付けされた勾配降下アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-03T12:35:17Z)
• CoRaiS: Lightweight Real-Time Scheduler for Multi-Edge Cooperative Computing [32.99310493126955]
  複数のエッジの制約されたリソースを強力なリソースプールに結合するマルチエッジ協調コンピューティングは、大きな利益をもたらす可能性がある。 しかし、大量の異種資源の構成とスケジューリング戦略の欠如により、マルチエッジコンピューティングシステムのモデリングと協調が特に複雑になる。 本稿では、まず、複雑なハードウェア構成を保護し、異種エッジで異なるサービス機能を再定義するシステムレベルの状態評価モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-04T07:21:45Z)
• CodeComplex: Dataset for Worst-Case Time Complexity Prediction [7.974618854858136]
  コード時間の複雑さ予測には、変数の入力範囲や条件ループなど、様々な複雑な要素が含まれる。 現在のベンチマークは、限られたデータ、言語制約、不十分なラベリングのために厳格な評価を提供していない。 コード時間の複雑さを予測する上で,LSMの推論能力を評価するために設計された最初の堅牢で広範なデータセットであるCodeComplexを紹介した。
  論文  参考訳（メタデータ） (2024-01-16T06:54:44Z)
• When Do Program-of-Thoughts Work for Reasoning? [51.2699797837818]
  本稿では,コードと推論能力の相関性を測定するために,複雑性に富んだ推論スコア(CIRS)を提案する。 具体的には、抽象構文木を用いて構造情報をエンコードし、論理的複雑性を計算する。 コードはhttps://github.com/zjunlp/EasyInstructのEasyInstructフレームワークに統合される。
  論文  参考訳（メタデータ） (2023-08-29T17:22:39Z)
• An End-to-End Reinforcement Learning Approach for Job-Shop Scheduling Problems Based on Constraint Programming [5.070542698701157]
  本稿では,CPと強化学習(Reinforcement Learning, RL)を用いてスケジューリング問題を解決する新しいエンドツーエンドアプローチを提案する。 当社のアプローチでは,既存のCPソルバを活用して,プライオリティ・ディスパッチ・ルール(PDR)を学ぶエージェントをトレーニングする。
  論文  参考訳（メタデータ） (2023-06-09T08:24:56Z)
• AsySQN: Faster Vertical Federated Learning Algorithms with Better Computation Resource Utilization [159.75564904944707]
  垂直連合学習(VFL)のための非同期準ニュートン(AsySQN)フレームワークを提案する。 提案アルゴリズムは、逆ヘッセン行列を明示的に計算することなく、近似して降下ステップをスケールする。 本稿では,非同期計算を採用することにより,計算資源の有効利用が期待できることを示す。
  論文  参考訳（メタデータ） (2021-09-26T07:56:10Z)
• Better than the Best: Gradient-based Improper Reinforcement Learning for Network Scheduling [60.48359567964899]
  パケット遅延を最小限に抑えるため,制約付き待ち行列ネットワークにおけるスケジューリングの問題を考える。 我々は、利用可能な原子ポリシーよりも優れたスケジューラを生成するポリシー勾配に基づく強化学習アルゴリズムを使用する。
  論文  参考訳（メタデータ） (2021-05-01T10:18:34Z)
• Adaptive Sampling for Best Policy Identification in Markov Decision Processes [79.4957965474334]
  本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。 最先端アルゴリズムの利点を論じ、解説する。
  論文  参考訳（メタデータ） (2020-09-28T15:22:24Z)
• A Constraint-Based Algorithm for the Structural Learning of Continuous-Time Bayesian Networks [70.88503833248159]
  連続時間ベイズネットワークの構造を学習するための制約に基づく最初のアルゴリズムを提案する。 我々は,条件付き独立性を確立するために提案した,異なる統計的テストと基礎となる仮説について論じる。
  論文  参考訳（メタデータ） (2020-07-07T07:34:09Z)
• Coded Distributed Computing with Partial Recovery [56.08535873173518]
  部分回復型符号化計算(CCPR)と呼ばれる新しい符号化行列ベクトル乗法を導入する。 CCPRは計算時間と復号化の複雑さを減らし、精度と計算速度のトレードオフを可能にする。 次に、この手法をより一般的な計算タスクの分散実装に拡張し、部分的回復を伴う符号化通信方式を提案する。
  論文  参考訳（メタデータ） (2020-07-04T21:34:49Z)

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。