本文提出了一种用自然语言描述和少量输入 / 输出样例来生成程序的算法，称之为神经程序搜索。该算法将深度学习和程序合成领域的方法结合起来，通过设计丰富的领域特定语言和根据 Seq2Tree 模型进行指导的高效搜索算法。通过一个半合成的描述和测试案例数据集对该方法的质量进行了评估，结果表明我们的算法明显优于基线的带注意力的序列到序列模型。

Feb, 2018

本研究提出了一种新颖的神经程序模型（Neural Programmer），该模型扩展了具有少量基本算术和逻辑运算的不可区分神经网络，此模型可以在多个步骤中调用这些扩展操作，因此产生的组成程序比内置操作更复杂。该模型采用相对较弱的监督信号进行训练，不需要昂贵的编写正确程序的注释，经过训练在很复杂的综合表理解数据集中取得了几乎完美的准确度。

Nov, 2015

本文介绍一种用于程序自动合成的方法，通过结合模式识别和显式推理来解决这些复杂的编程问题，同时使用新颖的中间表示和训练算法，使程序合成系统能够自学，从而在简单的英文描述编程问题数据集上取得了最先进的性能表现。

Feb, 2019

本文介绍了一种使用深度学习和强化学习实现程序合成的方法，该方法以非可微分机器为基础，并具有递归和强化学习的特点，能够训练出用于生成计算机程序的上下文无关解析器。该方法可实现测试输入在训练样本长度 500 倍以上时的 100％测试准确率。

Jun, 2017

针对初学者编程者在编程语言上的困惑，通过一种新颖的基于强化学习的编程语言纠错框架，利用专家演示以及自我探索等方式进行训练提升，使得其对有错误的程序进行更好的修复，相对于最先进的工具 DeepFix 在修复错误和更多的编译器错误信息上提高了 14% 和 29%

Jan, 2018

DreamCoder 是一种利用编程语言和神经网络学习和解决问题的系统，它可以解决各种问题，包括经典的归纳式编程任务和创意任务，从而构建符号表示的多层次概念体系，具有可解释性和可迁移性。

Jun, 2020

研究表明，在源代码模型中，深度神经网络容易受到对代码功能保留的参数语义程序转换序列引起的对抗性示例的影响，我们发现对抗性训练可以显著提高模型的鲁棒性。

Feb, 2020

通过使用文本分类技术来确定竞技编程问题的领域的方法，使用 LSTM、GRU 和 MLP 等多种模型对 Codeforces 网站上的 2400 个问题进行训练和测试，最高准确度达到 78.0%。

Aug, 2023

本文提出了一种 “编码准则” 来建立程序向量表示，从而使深度学习成为程序分析的现实，并且通过实验评估证明了该准则的成功性，并在程序分类任务中实现了高准确性，证实深度学习在程序分析领域的成功性，预见未来深度学习将成为程序分析的杰出技术。

Sep, 2014

本文中提出了一种基于深度神经网络的编程 - by-example（PBE）模型，称为 Neural Programming by Example (NPBE)，它可以从输入输出字符串中学习并诱导解决字符串操作问题的程序，该模型由四个神经网络组件构成：字符串编码器，输入输出分析器，程序生成器和符号选择器，并证明了该模型可以有效地诱导字符串操作程序。

Mar, 2017