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

本文旨在探索自动生成指定语言中的程序，依据输入输出行为生成程序，我们提出了一种新的方法来控制和评估合成数据分布的偏差，通过在 Karel 和小型计算器 DSL 上的实验表明，使用这些分布训练深度网络可以提高跨分布的泛化性能。

Dec, 2019

该论文介绍了一种名为 LAPS 的技术，它使用自然语言注释来引导库和神经引导搜索模型的联合学习，以实现程序的归纳合成。与一些自然语言注释不可用的测试时间相比，LAPS 可生产高质量的程序库并提高搜索效率和泛化性。

Jun, 2021

本文提出了一种名为 DeepAM 的智能系统，该系统通过从大规模代码语料库中自动挖掘 API 映射关系，使用基于多模态序列到序列学习的架构来学习双语 API 序列的联合语义表示。实验结果表明，DeepAM 在增加 API 映射的数量和提高 API 映射的准确性上，相较于现有技术方案表现出明显优势。

Apr, 2017

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

本论文提出了一个用自然语言输入构造程序合成器的框架，其使用 NLP 特征和关键词编程翻译的排名学习最优权重和分类器来代替学习并使用各种领域特定语言，可以用于编辑、智能教育系统和飞行信息查询等多个领域。通过 1200 多个英语说明，各合成器为 80％和 90％的说明将期望的程序排名为最好的一个和三个。

Sep, 2015

通过引入 DSPy 编程模型，我们设计了一种优化任何 DSPy 管道的编译器，该编译器能够使 GPT-3.5 和 llama2-13b-chat 等小型模型通过少量代码自我启动管道，并在计算数学问题、处理多跳检索、回答复杂问题和控制任务时比标准的少样本提示和专家演示的管道性能高出 25% 至 65% 不等。

Oct, 2023

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

该研究旨在通过域自适应和代码嵌入的方式实现语言间 API 映射的自动化，以减少前期准备所需的手动工作。此方法使用大型程序集作为输入，并使用生成性对抗网络（GAN）进一步调整 API 之间的矢量表示。最终可以通过对这些矢量空间进行最近邻查询来识别跨语言的 API 映射。

Jun, 2019

DeepAPI 利用深度学习的 RNN Encoder-Decoder 模型，以自然语言查询为输入，生成与此查询相关的 API 序列，相比现有方法更准确地实现这一功能。

May, 2016