論文の概要: WAMpy: Efficient Synthesis of Prolog Programs in Python
- arxiv url: http://arxiv.org/abs/2610.03234v1
- Date: Fri, 02 Oct 2026 12:44:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.373552
- Title: WAMpy: Efficient Synthesis of Prolog Programs in Python
- Title（参考訳）: WAMpy: PythonでのPrologプログラムの効率的な合成
- Abstract要約: WAMpyはPrologプログラムの合成に最適化されたPythonフレームワークである。
WAMpyはProlog節をNumPy配列ベースのWAM命令にコンパイルする。
- 参考スコア（独自算出の注目度）: 0.4779196219827507
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We present WAMpy, a Python framework optimized for synthesizing Prolog programs. Unlike general-purpose Prolog systems, WAMpy targets workloads that repeatedly generate and evaluate small candidate programs. WAMpy compiles Prolog clauses into NumPy array-based WAM instructions and supports partial recompilation of hypotheses against fixed background knowledge. Performance-critical routines are accelerated using Numba just-in-time (JIT) compilation. In a benchmark of repeated compilation-and-evaluation workloads, WAMpy improves end-to-end performance compared with SWI-Prolog accessed from Python using Janus.
- Abstract（参考訳）: 本稿では,Prologプログラムの合成に最適化されたPythonフレームワークであるWAMpyを紹介する。
汎用Prologシステムとは異なり、WAMpyは小さな候補プログラムを繰り返し生成し評価するワークロードをターゲットにしている。
WAMpyは、Prolog節をNumPy配列ベースのWAM命令にコンパイルし、固定されたバックグラウンド知識に対する仮説の部分的な再コンパイルをサポートする。
パフォーマンスクリティカルなルーチンは、Numba Just-in-time (JIT)コンパイルを使用して加速される。
繰り返し行われるコンパイルと評価のワークロードのベンチマークでは、Janusを使用してPythonからアクセスされたSWI-Prologと比較して、WAMpyはエンドツーエンドのパフォーマンスを改善している。
関連論文リスト
- Formalize, Don't Optimize: The Heuristic Trap in LLM-Generated Combinatorial Solvers [52.23061619664667]
大規模言語モデル(LLM)は直接推論によって複雑な問題を解くのに苦慮しているため、近年のニューロシンボリックシステムは、それを実行可能な解法を合成するためにますます利用している。
我々は,100の問題をベンチマークしたCP-SynC-XL(4,577インスタンス)を導入し,ネイティブアルゴリズム検索(Python),PythonソルバAPI(Python + OR-Tools)による制約モデリング,宣言的制約モデリングという3つのコンストラクションパラダイムを評価した。
論文 参考訳（メタデータ） (2026-05-12T17:15:45Z) - Grammar-Aware Literate Generative Mathematical Programming with Compiler-in-the-Loop [0.0]
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。
論文 参考訳（メタデータ） (2026-01-25T03:19:49Z) - 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) - IntLevPy: A Python library to classify and model intermittent and Lévy processes [0.0]
IntLevPyは、間欠的およびL'evyプロセスのシミュレーションと解析用に設計されたPythonライブラリである。
このパッケージには、完全なパラメータ推定と適合最適化を含む、プロセスシミュレーションの機能が含まれている。
本稿では,IntLevPyソフトウェアアーキテクチャ,インストール,検証,使用例を詳細に紹介する。
論文 参考訳（メタデータ） (2025-06-04T09:03:58Z) - Pattern Matching in AI Compilers and its Formalization (Extended Version) [5.025922465392978]
PyPMは、リライトベースの最適化パスを構築するためのPythonベースのドメイン固有言語である。
我々は、PyPMの構築と、この複雑さの形式化と蒸留について、理解可能な数学的コアに提示する。
論文 参考訳（メタデータ） (2024-12-18T00:29:09Z) - Equivariance via Minimal Frame Averaging for More Symmetries and Efficiency [48.81897136561015]
最小フレーム平均化(Minimum Frame Averaging、MFA)は、証明可能な最小限のフレームを構築するための数学的フレームワークである。
その結果, 多様なタスクにまたがって, MFAによる対称性の符号化の有効性と効果が示された。
論文 参考訳（メタデータ） (2024-06-11T15:58:56Z) - Speeding Up OPFython with Numba [0.0]
Optimum-Path Forest (OPF)は、ロジスティック回帰、サポートベクトルマシンに匹敵する最先端のアルゴリズムであることが証明されている。
最近、PythonベースのバージョンはOPFythonと呼ばれ、よりフレンドリーなフレームワークとより高速なプロトタイピング環境を提供することが提案されている。
本稿では,Numpyに基づく計算を高速化し,アルゴリズム全体の性能向上を図るため,Numbaパッケージを用いた簡易かつ高効率な高速化を提案する。
論文 参考訳（メタデータ） (2021-06-22T14:39:32Z) - Self-Supervised Log Parsing [59.04636530383049]
大規模ソフトウェアシステムは、大量の半構造化ログレコードを生成する。
既存のアプローチは、ログ特化や手動ルール抽出に依存している。
本稿では,自己教師付き学習モデルを用いて解析タスクをマスク言語モデリングとして定式化するNuLogを提案する。
論文 参考訳（メタデータ） (2020-03-17T19:25:25Z)
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。