論文の概要: Inference-Time Code Selection via Symbolic Equivalence Partitioning

• arxiv url: http://arxiv.org/abs/2604.06485v1
• Date: Tue, 07 Apr 2026 21:37:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.254886
• Title: Inference-Time Code Selection via Symbolic Equivalence Partitioning
• Title（参考訳）: 記号等価分割による推論時符号選択
• Authors: David Cho, Yifan Wang, Fanping Sui, Ananth Grama,
• Abstract要約: Best-of-N"の選択は、大規模言語モデルを用いたコード生成のための一般的な推論時間スケーリング手法である。 本稿では,代用関数分割から代用関数を選択するために,シンボル実行を用いた選択フレームワークである記号等価分割を提案する。 また,HumanEval+では0.728から0.803に,LiveCodeBenchでは0.516から0.604に改善した。
• 参考スコア（独自算出の注目度）: 11.747205937591298
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: "Best-of-N" selection is a popular inference-time scaling method for code generation using Large Language Models (LLMs). However, to reliably identify correct solutions, existing methods often depend on expensive or stochastic external verifiers. In this paper, we propose Symbolic Equivalence Partitioning, a selection framework that uses symbolic execution to group candidate programs by semantic behavior and select a representative from the dominant functional partition. To improve grouping and selection, we encode domain-specific constraints as Satisfiability Modulo Theories (SMT) assumptions during symbolic execution to reduce path explosion and prevent invalid input searches outside the problem domain. At N=10, our method improves average accuracy over Pass@1 from 0.728 to 0.803 on HumanEval+ and from 0.516 to 0.604 on LiveCodeBench, without requiring any additional LLM inference beyond the initial N candidate generations.
• Abstract（参考訳）: Best-of-N"の選択は、Large Language Models (LLMs) を用いたコード生成のための一般的な推論時間スケーリング手法である。 しかし、正しい解を確実に特定するためには、既存の手法は高価または確率的な外部検証に依存することが多い。 本稿では,グループ候補プログラムに対する意味行動によるシンボル実行を用いた選択フレームワークであるSymbolic Equivalence Partitioningを提案し,支配的機能分割から代表を選択する。 グループ化と選択性を改善するため,シンボル実行時のSMT(Satifiability Modulo Theories)仮定としてドメイン固有の制約を符号化し,パスの爆発を低減し,問題領域外の入力検索の不正を防止する。 N=10では,Pass@1のHumanEval+では0.728から0.803,LiveCodeBenchでは0.516から0.604まで平均精度が向上する。

関連論文リスト

• Efficient Algorithms for Robust Markov Decision Processes with $s$-Rectangular Ambiguity Sets [19.053062263045664]
  我々は、$s$正方形曖昧性集合を持つ頑健なMDPのクラスに対する統一的なソリューションフレームワークを開発する。 提案アルゴリズムを用いて,$$$-rectangular robust MDPs with $1$- and $2$-norm,および$$-divergence ambiguity setは,最先端の商用解法よりも数桁早く解けることを示す。
  論文  参考訳（メタデータ） (2026-02-05T12:20:26Z)
• Lookahead Unmasking Elicits Accurate Decoding in Diffusion Language Models [51.12873073612084]
  Masked Diffusion Models (MDM) は、反復的にトークンをアンマキングすることで生成される言語モデルであるが、その性能はアンマキングの推測時間順序に依存する。 提案するLookUM(LookUM)は,これらの問題に対処し,サンプリングを可能な全注文に対して経路選択として再構成する。 LookUMはピーク性能を達成するために2～3つの経路しか必要とせず、極めて効率的な経路選択を示す。
  論文  参考訳（メタデータ） (2025-11-04T02:37:37Z)
• Fast Controlled Generation from Language Models with Adaptive Weighted Rejection Sampling [90.86991492288487]
  トークンの制約を評価するのは 違法にコストがかかる LCDは文字列上のグローバル分布を歪め、ローカル情報のみに基づいてトークンをサンプリングすることができる。 我々のアプローチは最先端のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-04-07T18:30:18Z)
• l1-norm regularized l1-norm best-fit lines [3.0963566281269594]
  簡単な比率とソート手法を用いた新しいフィッティング法を提案する。 提案アルゴリズムは、O$(n2 m log n)$の最悪の時間複雑性を示し、ある場合にはスパース部分空間に対する大域的最適性を達成する。
  論文  参考訳（メタデータ） (2024-02-26T16:30:58Z)
• Fast Feature Selection with Fairness Constraints [49.142308856826396]
  モデル構築における最適特徴の選択に関する基礎的問題について検討する。 この問題は、greedyアルゴリズムの変種を使用しても、大規模なデータセットで計算的に困難である。 適応クエリモデルは,最近提案された非モジュラー関数に対する直交整合探索のより高速なパラダイムに拡張する。 提案アルゴリズムは、適応型クエリモデルにおいて指数関数的に高速な並列実行を実現する。
  論文  参考訳（メタデータ） (2022-02-28T12:26:47Z)
• 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)
• Parametric Programming Approach for More Powerful and General Lasso Selective Inference [25.02674598600182]
  選択推論(Selective Inference, SI)は, 線形モデルの特徴を推論するためにここ数年, 活発に研究されてきた。 Lasso のオリジナルの SI アプローチの主な制限は、推論が選択された特徴だけでなく、その兆候にも条件付きで行われることである。 何千ものアクティブな特徴がある場合でも,サインを条件付けせずにSIを実行できるパラメトリックプログラミングベースの手法を提案する。
  論文  参考訳（メタデータ） (2020-04-21T04:46:29Z)

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。