論文の概要: An Unofficial FastLAS Tutorial: A Programmer's Guide
- arxiv url: http://arxiv.org/abs/2607.23557v2
- Date: Wed, 29 Jul 2026 03:10:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-30 14:21:10.703916
- Title: An Unofficial FastLAS Tutorial: A Programmer's Guide
- Title（参考訳）: 非公式なFastLASチュートリアル:プログラマガイド
- Abstract要約: これらのメモは、FastLASプログラムを書くための手持ちの紹介である。
それらはプログラマのガイドとして組織化されている: 構文は最初、次に機能し、難易度が増大する例を数える。
ここでの自己完結型の例はいずれもFastLAS 2.2.0に対して実行され、ツールの実際の出力を示している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: FastLAS is a scalable system for Inductive Logic Programming (ILP): you give it some background knowledge, a language bias, and a set of examples, and it searches for a set of logic program rules (a hypothesis) that explains the examples. These notes are a hands-on introduction to writing FastLAS programs. They are organised as a programmer's guide: syntax first, then a ladder of worked, numbered examples of increasing difficulty. Every self-contained example here has been run against FastLAS 2.2.0 and shows the tool's actual output. We keep theory to the minimum needed to write correct programs; throughout, set-off notes flag where FastLAS differs from its sibling system ILASP, and where the two learning algorithms (--opl and --nopl) behave differently. The document is intended as an unofficial tutorial to FastLAS 2.2.0, not as an official language specification.
- Abstract（参考訳）: FastLASは、インダクティブロジックプログラミング(ILP:Inductive Logic Programming)のためのスケーラブルなシステムである。背景知識、言語バイアス、サンプルのセットを与え、サンプルを説明する一連の論理プログラムルール(仮説)を検索する。
これらのメモは、FastLASプログラムを書くための手持ちの紹介である。
それらはプログラマのガイドとして組織化されている: 構文は最初、次に機能し、難易度が増大する例を数える。
ここでの自己完結型の例はいずれもFastLAS 2.2.0に対して実行され、ツールの実際の出力を示している。
我々は、正しいプログラムを書くのに必要な最小限の理論を保ち、FastLASが兄弟系であるILASPと異なる設定オフノートフラグで、2つの学習アルゴリズム(-oplと-nopl)が異なる振る舞いをする。
この文書は公式の言語仕様ではなく、FastLAS 2.2.0の非公式なチュートリアルとして意図されている。
関連論文リスト
- ATLAS: Automated Tree-based Language Analysis System for C and C++ source programs [1.0499611180329804]
本稿では,文レベル制御フローグラフ(CFG)と型認識データフローグラフ(DFG)を生成するPythonベースのコマンドラインインタフェース(CLI)であるATLASを紹介する。
ATLASは、下流のソフトウェアエンジニアリング(SE)と機械学習ベースのプログラム理解を改善するための実践的な基盤を提供する。
論文 参考訳（メタデータ） (2025-12-14T01:11:11Z) - Symbolic Prompt Program Search: A Structure-Aware Approach to Efficient Compile-Time Prompt Optimization [14.012833238074332]
本稿では,プロンプトプログラムのコンパイル時最適化を行うSAMMOを紹介する。
SAMMOは記号レベルでプロンプトプログラムを表しており、豊富な変換が可能である。
SAMMOは,(1)命令チューニング,(2)RAGパイプラインチューニング,(3)プロンプト圧縮において,従来の手法を一般化し,複雑なプロンプトの性能を向上させることを示す。
論文 参考訳（メタデータ） (2024-04-02T21:35:54Z) - WatChat: Explaining perplexing programs by debugging mental models [33.238462470842386]
私たちは、JavaScriptの型強制とGitのバージョン管理システムの2つのドメインで説明のためのシステムを構築します。
We show that WatChat's explanations exhibit key features of human-written explanation, different of a state-of-the-art language model。
論文 参考訳（メタデータ） (2024-03-08T14:10:25Z) - Explaining Code Examples in Introductory Programming Courses: LLM vs
Humans [1.6431142588286851]
受動型およびアクティブなサンプル探索システムにおいて,LLMを用いてコード説明を生成する可能性について検討した。
この目的を達成するために,チャットGPTが生成したコード説明と,専門家と学生の両方が生成した説明とを比較した。
論文 参考訳（メタデータ） (2023-12-09T01:06:08Z) - The Behavior of Large Language Models When Prompted to Generate Code
Explanations [0.3293989832773954]
本稿では,Large Language Models (LLM) によるコード記述の生成を体系的に検討する。
この結果から,LLMのコード説明の性質は,プロンプトの単語化などの要因の影響を受け,大きな変化がみられた。
説明によると、Flesch-Kincaidの可読性は約7-8グレードである。
論文 参考訳（メタデータ） (2023-11-02T17:14:38Z) - 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) - From Language Modeling to Instruction Following: Understanding the Behavior Shift in LLMs after Instruction Tuning [63.63840740526497]
そこで本研究では,本質的な変化に着目した事前学習モデルの調整方法について検討する。
次に、事前訓練されたモデルと命令調整されたモデルから導かれた説明を比較することで、命令チューニングの影響について研究する。
この結果から,指導指導の3つの重要な影響が明らかになった。
論文 参考訳（メタデータ） (2023-09-30T21:16:05Z) - Understanding Programs by Exploiting (Fuzzing) Test Cases [26.8259045248779]
プログラムのより深い意味理解を実現するために,入力と出力/振る舞いの関係を学習に取り入れることを提案する。
コードの大部分の実行をトリガーするのに十分な入力を得るために,ファズテストを採用し,ファズチューニングを提案する。
提案手法の有効性は,コードクローン検出とコード分類を含む2つのプログラム理解タスクにおいて検証され,最先端技術よりも大きなマージンで優れている。
論文 参考訳（メタデータ） (2023-05-23T01:51:46Z) - LASP: Text-to-Text Optimization for Language-Aware Soft Prompting of
Vision & Language Models [67.19124099815645]
ベースクラスオーバーフィットを軽減するために,Language-Aware Soft Prompting (LASP) 学習手法を提案する。
LASPは本質的に、トレーニング中に仮想クラス、すなわちビジュアルサンプルが使用できないクラス名を含むことができる。
LASPは、手作りのプロンプトとCLIPによる11のテストデータセットのうち8つの新しいクラスの精度が初めて一致し、上回っている。
論文 参考訳（メタデータ） (2022-10-03T17:56:35Z) - DocCoder: Generating Code by Retrieving and Reading Docs [87.88474546826913]
コードマニュアルとドキュメントを明示的に活用するアプローチであるDocCoderを紹介します。
我々のアプローチは一般的に、どんなプログラミング言語にも適用でき、基礎となるニューラルモデルとは無関係です。
論文 参考訳（メタデータ） (2022-07-13T06:47:51Z) - Leveraging Language to Learn Program Abstractions and Search Heuristics [66.28391181268645]
LAPS(Language for Abstraction and Program Search)は、自然言語アノテーションを用いて、ライブラリとニューラルネットワークによる合成のための検索モデルの共同学習をガイドする手法である。
最先端のライブラリ学習システム(DreamCoder)に統合されると、LAPSは高品質なライブラリを生成し、検索効率と一般化を改善する。
論文 参考訳（メタデータ） (2021-06-18T15:08:47Z) - How could Neural Networks understand Programs? [67.4217527949013]
ソースコードにnlpプリトレーニング技術を直接適用するか、あるいはtheshelfによってモデルに機能を追加するかで、プログラムをより理解するためのモデルを構築するのは難しい。
本研究では,(1)操作セマンティクスの基本操作とよく一致する表現と(2)環境遷移の情報からなる情報から,モデルが学ぶべき新しいプログラムセマンティクス学習パラダイムを提案する。
論文 参考訳（メタデータ） (2021-05-10T12:21:42Z)
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。