論文の概要: Solver-Aware Decompositions for Programming-by-Example: When Dividing Requires Knowing how to Conquer

• arxiv url: http://arxiv.org/abs/2608.03461v1
• Date: Tue, 04 Aug 2026 10:57:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.147454
• Title: Solver-Aware Decompositions for Programming-by-Example: When Dividing Requires Knowing how to Conquer
• Title（参考訳）: プログラミング・バイ・サンプルのためのソルバー・アウェアの分解:コンカレントの仕方を知るための分割の必要性
• Abstract要約: 分解に基づくプログラミング・バイ・サンプル(PBE)は、学習したシンセサイザーが解決したサブタスクにタスクを分割することでパフォーマンスを拡大する。 現在のアプローチでは、分解品質をタスク固有のものとして暗黙的に扱いながら、グラウンドトゥルース(GT)サブゴールを模倣するようにデコンパイラを訓練している。 本稿では,GTサブゴールの教師付きトレーニングを構造足場として維持する訓練フレームワークであるSolver-Aware Decomposition (SAD)を提案する。
• 参考スコア（独自算出の注目度）: 8.770341884978981
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Decomposition-based Programming-by-example (PBE) scales performance by splitting tasks into subtasks that a learned synthesizer solves: a decomposer predicts intermediate subgoals, and a synthesizer generates programs conditioned on them. Current approaches train the decomposer to imitate ground-truth ( GT) subgoals, implicitly treating decomposition quality as intrinsic to the task. We challenge this assumption: for bounded solvers with fixed inductive biases, GT decompositions reflect the annotator's factorization choices - not the solver's search dynamics. A decomposer trained to match GT decompositions may therefore propose subgoals that are logically valid yet intractable for the solver. We propose Solver-Aware Decomposition (SAD), a training framework that retains supervised training on GT subgoals as a structural scaffold, while additionally optimizing the decomposer via direct feedback from a frozen synthesizer. Subgoals are rewarded based on the synthesizer's loss on the target program - a signal of subtask difficulty that encourages decompositions the solver can act on. Our experiments reveal an accuracy paradox: higher agreement with GT decompositions does not improve synthesis success - even though the synthesizer was trained on the very same GT data the decomposer is optimized to mimic. SAD instead learns decompositions that trade GT alignment for solver tractability, yielding consistent gains in synthesis and end-to-end task accuracy across two PBE domains. Moreover, SAD solves tasks that a GT decomposition oracle fails - empirical evidence that GT decompositions are not universally optimal for bounded solvers, and that decomposition quality is solver-relative, not intrinsic.
• Abstract（参考訳）: 分解ベースのProgramming-by-example(PBE)は、タスクを学習したシンセサイザーが解決するサブタスクに分割することで、パフォーマンスをスケールする。 現在のアプローチでは、分解品質をタスク固有のものとして暗黙的に扱いながら、グラウンドトゥルース(GT)サブゴールを模倣するようにデコンパイラを訓練している。 固定帰納バイアスを持つ有界解法の場合、GT分解はアノテータの分解選択を反映する。 したがって、GT分解と一致するように訓練された分解器は、論理的に妥当だが解法には難解な部分ゴールを提案することができる。 本稿では,GTサブゴールの教師付きトレーニングを構造的足場として維持する学習フレームワークであるSolver-Aware Decomposition(SAD)を提案する。 サブゴールは、ターゲットプログラムにおけるシンセサイザーの損失に基づいて報酬を受ける。 我々の実験では、GT分解との高整合性は合成の成功を改善しないが、合成器はデコンポザが模倣するように最適化された全く同じGTデータで訓練された。 SADは代わりに、ソルバのトラクタビリティのためにGTアライメントを交換する分解を学習し、合成において一貫した利得と、2つのPBEドメインにわたるエンドツーエンドのタスク精度を得る。 さらに、SAD は GT 分解オラクルが失敗するタスクを解く - GT 分解が有界解法に対して普遍的に最適ではないこと、分解品質が本質的ではないことを実証的に証明する。

関連論文リスト

• PCTD: Preference-Guided Counterfactual Task Decomposition for Agent Tool Retrieval [32.19528642807244]
  タスク分解は曖昧な命令を実行可能なアトミックサブタスクに変換することを目的としている。 タスク分解に対する報酬は、強化学習に基づく手法で容易に報酬のハッキングを誘発することができる。 提案手法はPCTD, PCTD, Preference-guided Counterfactual Task Decomposition である。
  論文  参考訳（メタデータ） (2026-07-17T07:15:41Z)
• LC-ERD: Mining Latent Logic for Self-Evolving Reasoning via Consistency-Regulated Reward Decomposition [55.572260012037084]
  本稿では, LC-ERD (Logic-Consistent Endogenous Reward Decomposition) を紹介する。 モデルの潜在論理エキスパートズ(Latent Logic Expertise)からのコンセンサスを集約することで、変分論理ポテンシャルを導出する。 LC-ERDは、論理の一貫性と正確性の間のトレードオフを明らかにする、堅牢な自己進化パスを提供する。
  論文  参考訳（メタデータ） (2026-05-19T07:27:50Z)
• CellScientist: Dual-Space Hierarchical Orchestration for Closed-Loop Refinement of Virtual Cell Models [62.281480231694]
  VCM(Virtual Cell Modeling)は、摂動応答を予測できるだけでなく、予測が失敗した場合にターゲットリビジョンをサポートするモデルを必要とする。 現在のLCM支援モデリングでは、予測誤差が実行可能実装を通して観測されるという改善ルーティング問題に直面している。 提案するCellScientistは,高レベル仮説空間と低レベル実行可能実装空間を結合した,二重空間階層型フレームワークである。
  論文  参考訳（メタデータ） (2026-05-08T06:40:24Z)
• How LLMs Fail and Generalize in RTL Coding for Hardware Design? [56.361436215029045]
  我々は,認知理論に触発された問題解決性に基づく新しい誤り分類法を導入する。 我々の分類学は、障害を構文、意味、解決可能な機能、解決不可能な機能タイプに分類する。
  論文  参考訳（メタデータ） (2026-04-26T14:34:49Z)
• Training LLMs for Multi-Step Tool Orchestration with Constrained Data Synthesis and Graduated Rewards [76.49428173793386]
  LLMは、中間出力を伝搬しながら、正しい順序で複数の依存APIを呼び出す必要がある。 既存の環境は、シミュレーションデータを使った単純なターン毎の関数呼び出しとバイナリ報酬に重点を置いている。 まず、実APIレスポンスの大規模キャッシュを背景とした強化学習環境を構築し、有効なマルチステップオーケストレーショントレースをサンプリングするデータ合成パイプラインを実現する。 第二に、正当性を原子の妥当性とオーケストレーションに分解する、段階的な報酬設計を提案する。
  論文  参考訳（メタデータ） (2026-03-25T18:31:39Z)
• Automated Skill Decomposition Meets Expert Ontologies: Bridging the Granularity Gap with LLMs [1.2891210250935148]
  本稿では,Large Language Models (LLM) を用いた自動スキル分解について検討する。 我々のフレームワークは、パイプラインをプロンプトと生成から正規化とオントロジーノードとのアライメントまで標準化する。 出力を評価するために、コンテンツ精度を評価するために最適な埋め込みベースのマッチングを使用するF1スコアと、粒度を評価するために構造的に正しい配置を信用する階層型F1スコアの2つの指標を導入する。
  論文  参考訳（メタデータ） (2025-10-13T12:03:06Z)
• Automatic Rank Determination for Low-Rank Adaptation via Submodular Function Maximization [56.78271181959529]
  SubLoRAは、サブモジュール関数に基づくローランド適応(LoRA)のランク決定方法である。 提案手法は, 理論的基礎, 2次精度, 実用計算効率の両立を図っている。
  論文  参考訳（メタデータ） (2025-07-02T15:56:40Z)
• Shedding Light in Task Decomposition in Program Synthesis: The Driving Force of the Synthesizer Model [2.355460994057843]
  タスク分解はプログラム合成の基本的なメカニズムであり、複雑な問題を管理可能なサブタスクに分解することができる。 本研究では,ExeDecの適応であるREGISMを開発し,分解誘導を除去し,反復的な実行駆動合成にのみ依存する。 以上の結果から,ExeDecは,その明示的な分解戦略により,長さ一般化や概念構成タスクにおいて有意な優位性を示すことが示唆された。
  論文  参考訳（メタデータ） (2025-03-11T06:30:49Z)
• Efficient Reactive Synthesis Using Mode Decomposition [0.0]
  そこで本研究では,モードに基づく新しい分解アルゴリズムを提案する。 我々のアルゴリズムへの入力は、元の仕様とモードの記述である。 サブ仕様の自動生成方法を示し、全てのサブプロブレムが実現可能であれば、完全な仕様が実現可能であることを示す。
  論文  参考訳（メタデータ） (2023-12-14T08:01:35Z)
• 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)
• Are Random Decompositions all we need in High Dimensional Bayesian Optimisation? [4.31133019086586]
  グローバルに保持されていない局所的な分解に対して,データ駆動による分解学習者が容易に誤認できることが判明した。 木をベースとした無作為分解サンプリング装置は、ブラックボックスとそのサロゲート間の最大情報ゲインと機能ミスマッチを効果的にトレードオフする理論的保証を示す。 これらの結果は、(ほぼ)プラグ・アンド・プレイの実装が容易な乱分解上信頼結合アルゴリズム(RDUCB)の開発を動機付けている。
  論文  参考訳（メタデータ） (2023-01-30T12:54:46Z)
• Inducing Transformer's Compositional Generalization Ability via Auxiliary Sequence Prediction Tasks [86.10875837475783]
  体系的な構成性は人間の言語において必須のメカニズムであり、既知の部品の組換えによって新しい表現を作り出すことができる。 既存のニューラルモデルには、記号構造を学習する基本的な能力がないことが示されている。 本稿では,関数の進行と引数のセマンティクスを追跡する2つの補助シーケンス予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-09-30T16:41:19Z)

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。