Fugu-MT 論文翻訳(概要): Out-of-Distribution Generalization in the ARC-AGI Domain: Comparing Execution-Guided Neural Program Synthesis and Test-Time Fine-Tuning

論文の概要: Out-of-Distribution Generalization in the ARC-AGI Domain: Comparing Execution-Guided Neural Program Synthesis and Test-Time Fine-Tuning

arxiv url: http://arxiv.org/abs/2507.15877v1
Date: Thu, 17 Jul 2025 20:12:01 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-23 21:34:13.780483
Title: Out-of-Distribution Generalization in the ARC-AGI Domain: Comparing Execution-Guided Neural Program Synthesis and Test-Time Fine-Tuning
Title（参考訳）: ARC-AGI領域におけるアウト・オブ・ディストリビューションの一般化:実行誘導型ニューラルプログラム合成とテスト時間ファインチューニングの比較
Authors: Simon Ouellette,
Abstract要約: 我々はARC-AGIドメインで制御された合成一般化実験を行う。本実験におけるニューラルプログラム合成とテスト時間微調整手法の比較を行った。実行誘導型ニューラルプログラム合成は、新しい解を構成する能力において、すべての参照アルゴリズムより優れていることがわかった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We run a controlled compositional generalization experiment in the ARC-AGI domain: an open-world problem domain in which the ability to generalize out-of-distribution is, by design, an essential characteristic for success. We compare neural program synthesis and test-time fine-tuning approaches on this experiment. We find that execution-guided neural program synthesis outperforms all reference algorithms in its ability to compose novel solutions. Our empirical findings also suggest that the success of TTFT on ARC-AGI lies mainly in eliciting in-distribution knowledge that the LLM otherwise fails to rely on directly.
Abstract（参考訳）: 我々はARC-AGIドメインで制御された構成一般化実験を行い、アウト・オブ・ディストリビューションを一般化する能力は、設計上、成功に欠かせない特徴である。本実験におけるニューラルプログラム合成とテスト時間微調整手法の比較を行った。実行誘導型ニューラルプログラム合成は、新しい解を構成する能力において、すべての参照アルゴリズムより優れていることがわかった。我々の経験から、ARC-AGIにおけるTTFTの成功は、LSMが直接頼りにしない分布内知識を引き出すことに起因していることが示唆された。

関連論文リスト

Primal-Dual Neural Algorithmic Reasoning [14.433843795079083]
NAR(Neuralic Reasoning)は、ニューラルネットワークをトレーニングして古典的なアルゴリズムをシミュレートし、アルゴリズムデータに対する構造化および解釈可能な推論を可能にする。本稿では,古典近似アルゴリズムである原始双対パラダイムを基盤としたフレームワークを提案する。その結果,本モデルはシミュレーションだけでなく,複数のタスクに対する近似アルゴリズムよりも優れていることがわかった。
論文参考訳（メタデータ） (2025-05-29T23:20:07Z)
Towards Efficient Neurally-Guided Program Induction for ARC-AGI [0.0]
ARC-AGIは、アウト・オブ・ディストリビューションを一般化する能力が重要な品質である、オープンワールドな問題領域である。プログラム誘導パラダイムの下では,ニューラルネットワークを用いたプログラム誘導手法の効率性と一般化特性を明らかにする一連の実験を行う。
論文参考訳（メタデータ） (2024-11-13T14:44:03Z)
Learning-to-Optimize with PAC-Bayesian Guarantees: Theoretical Considerations and Practical Implementation [4.239829789304117]
最適学習の設定にはPAC-ベイズ理論を用いる。証明可能な一般化保証付き最適化アルゴリズムを学習する最初のフレームワークを提示する。学習アルゴリズムは、(決定論的)最悪のケース分析から得られた関連アルゴリズムを確実に上回ります。
論文参考訳（メタデータ） (2024-04-04T08:24:57Z)
Test-Time Domain Generalization for Face Anti-Spoofing [60.94384914275116]
Face Anti-Spoofing (FAS) は、顔認識システムをプレゼンテーション攻撃から保護するために重要である。本稿では,テストデータを活用してモデルの一般化性を高める新しいテスト時間領域一般化フレームワークについて紹介する。テスト時間スタイル投影 (TTSP) とディバーススタイルシフトシミュレーション (DSSS) によって構成された本手法は, 目に見えないデータを領域空間に効果的に投影する。
論文参考訳（メタデータ） (2024-03-28T11:50:23Z)
On the Generalization Capability of Temporal Graph Learning Algorithms: Theoretical Insights and a Simpler Method [59.52204415829695]
テンポラルグラフ学習(TGL)は、様々な現実世界のアプリケーションにまたがる一般的なテクニックとなっている。本稿では,異なるTGLアルゴリズムの一般化能力について検討する。一般化誤差が小さく、全体的な性能が向上し、モデルの複雑さが低下する単純化されたTGLネットワークを提案する。
論文参考訳（メタデータ） (2024-02-26T08:22:22Z)
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)
Exploration Policies for On-the-Fly Controller Synthesis: A Reinforcement Learning Approach [0.0]
強化学習(RL)に基づく非有界学習のための新しい手法を提案する。我々のエージェントは、非常に観察可能な部分的なRLタスクでスクラッチから学習し、トレーニング中に見つからないケースで、全体のパフォーマンスを上回ります。
論文参考訳（メタデータ） (2022-10-07T20:28:25Z)
BOiLS: Bayesian Optimisation for Logic Synthesis [10.981155046738126]
本稿では,現代ベイズ最適化を適用した最初のアルゴリズムBOiLSを提案する。サンプル効率とQoR値の両方の観点から,BOiLSの最先端性能を最先端技術と比較した。
論文参考訳（メタデータ） (2021-11-11T12:44:38Z)
Harnessing Heterogeneity: Learning from Decomposed Feedback in Bayesian Modeling [68.69431580852535]
サブグループフィードバックを取り入れた新しいGPレグレッションを導入する。我々の修正された回帰は、以前のアプローチと比べて、明らかにばらつきを減らし、したがってより正確な後続を減らした。我々は2つの異なる社会問題に対してアルゴリズムを実行する。
論文参考訳（メタデータ） (2021-07-07T03:57:22Z)
A SAR speckle filter based on Residual Convolutional Neural Networks [68.8204255655161]
本研究では,Convolutional Neural Networks(CNN)に基づく深層学習(DL)アルゴリズムを用いて,Sentinel-1データからスペックルノイズをフィルタリングする新しい手法を提案する。得られた結果は、技術の現状と比較すると、ピーク信号対雑音比(PSNR)と構造類似度指数(SSIM)の点で明確な改善を示しています。
論文参考訳（メタデータ） (2021-04-19T14:43:07Z)
Rethinking Generalization of Neural Models: A Named Entity Recognition Case Study [81.11161697133095]
NERタスクをテストベッドとして、異なる視点から既存モデルの一般化挙動を分析する。詳細な分析による実験は、既存のニューラルNERモデルのボトルネックを診断する。本論文の副産物として,最近のNER論文の包括的要約を含むプロジェクトをオープンソース化した。
論文参考訳（メタデータ） (2020-01-12T04:33:53Z)

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。