論文の概要: Grammar-Aware Literate Generative Mathematical Programming with Compiler-in-the-Loop

• arxiv url: http://arxiv.org/abs/2601.17670v1
• Date: Sun, 25 Jan 2026 03:19:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.194325
• Title: Grammar-Aware Literate Generative Mathematical Programming with Compiler-in-the-Loop
• Title（参考訳）: コンパイラ・イン・ザ・ループによる文法認識による生成数学的プログラミング
• Authors: Roberto Rossi, Steven D. Prestwich,
• Abstract要約: 本稿では,自然言語問題記述をPyOPLモデルに変換するエンドツーエンドシステムであるSyntAGMを紹介する。 SyntAGMは、PyOPL BNF文法のテキスト内露出による文法認識である。 優れたトークン、コスト、レイテンシプロファイルと競合する精度を実現する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work investigates generative mathematical programming through the lens of Algebraic Modelling Languages (AMLs) and compiler-guided model synthesis. By leveraging PyOPL, an OPL-like AML compiler that provides detailed syntax diagnostics, we introduce SyntAGM, an end-to-end system that translates natural language problem descriptions into PyOPL models via a generate--compile--assess--revise loop. SyntAGM is grammar-aware thanks to in-context exposure to the PyOPL BNF grammar, and benefits from few-shot retrieval of literate PyOPL model exemplars. To obtain a valid PyOPL model that matches the problem description, SyntAGM mobilises compiler feedback and an LLM-based alignment judge. In a comparative study against established prompting baselines SyntAGM achieves competitive accuracy with superior token, cost, and latency profiles.
• Abstract（参考訳）: 本稿では,代数的モデリング言語(AML)とコンパイラ誘導型モデル合成のレンズによる生成数学的プログラミングについて検討する。 詳細な構文診断を提供するOPLライクなAMLコンパイラであるPyOPLを活用することで,自然言語問題記述を生成-コンパイル-アセス--修正ループを通じてPyOPLモデルに変換するエンドツーエンドシステムであるSyntAGMを導入する。 SyntAGMは、PyOPL BNF文法のテキスト内露出による文法認識と、文字付きPyOPLモデルの例証の少数ショット検索の恩恵により、文法を意識している。 問題記述と一致する有効なPyOPLモデルを得るため、SyntAGMはコンパイラのフィードバックを動員し、LLMベースのアライメント判定を行う。 確立されたプロンプトベースラインに対する比較研究では、SyntAGMは優れたトークン、コスト、レイテンシプロファイルと競合する精度を達成する。

関連論文リスト

• Program Synthesis via Test-Time Transduction [26.30808249424997]
  本稿では,プログラム合成タスクの新たな定式化であるトランスダクティブプログラム合成を紹介し,合成中のテスト入力を明示的に活用する。 提案手法は,Playgol,MBPP+,1D-ARC,MiniGrid上のプログラム的世界モデリングの4つのベンチマークで評価する。 提案手法は,プログラムの精度と効率性の両方において,プログラム合成を大幅に改善することを示す。
  論文  参考訳（メタデータ） (2025-09-22T06:53:32Z)
• Matchmaker: Self-Improving Large Language Model Programs for Schema Matching [60.23571456538149]
  本稿では,スキーママッチングのための合成言語モデルプログラムを提案する。 Matchmakerは、ラベル付きデモを必要とせずに、ゼロショットで自己改善する。 実証的に、Matchmakerが以前のMLベースのアプローチより優れている実世界の医療スキーママッチングベンチマークを実証する。
  論文  参考訳（メタデータ） (2024-10-31T16:34:03Z)
• Training Language Models on Synthetic Edit Sequences Improves Code Synthesis [33.13471417703669]
  言語モデル(LM)はプログラムを1回のパスで自動的に合成する。 コード合成のための高品質な命令データが不足している一方で、合成のための編集データが不足している。 我々はこのギャップを埋めるためにLintSeqと呼ばれる合成データ生成アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-10-03T17:57:22Z)
• Guiding Enumerative Program Synthesis with Large Language Models [15.500250058226474]
  本稿では,形式的合成ベンチマークを解くための大規模言語モデルの能力を評価する。 ワンショット合成が失敗すると,新しい列挙合成アルゴリズムを提案する。 形式的合成のためのスタンドアロンツールとしてGPT-3.5は,最先端の形式的合成アルゴリズムにより容易に性能が向上することがわかった。
  論文  参考訳（メタデータ） (2024-03-06T19:13:53Z)
• Which Syntactic Capabilities Are Statistically Learned by Masked Language Models for Code? [51.29970742152668]
  精度に基づく測定に依存することで、モデルの能力が過大評価される可能性があることを強調する。 これらの問題に対処するために,SyntaxEval in Syntactic Capabilitiesというテクニックを導入する。
  論文  参考訳（メタデータ） (2024-01-03T02:44:02Z)
• LILO: Learning Interpretable Libraries by Compressing and Documenting Code [71.55208585024198]
  LILOは、反復的に合成、圧縮、文書化を行う、ニューロシンボリックなフレームワークである。 LILOは、LLM誘導プログラム合成と、Stitchから自動化された最近のアルゴリズムの進歩を組み合わせたものである。 LILOのシンセサイザーが学習した抽象化を解釈し、デプロイするのを手助けすることで、AutoDocがパフォーマンスを向上させることが分かりました。
  論文  参考訳（メタデータ） (2023-10-30T17:55:02Z)

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。