ICLRJun, 2017

从输入输出示例中合成复杂程序的探索

PDF
TL;DR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。
deep learningprogram synthesiscontext-free parsernon-differentiable machinereinforcement learning
发现论文，激发创造
  • 神经程序合成的潜在执行

    该研究文章提出了一种名为 LaSynth 的基于机器学习的程序合成方法，它能够学习潜在的嵌入式表示方法，进而提高下一个输入标记的预测性能，并通过生成随机的程序和 IO 对来进行训练以合成类似于人类编写的简洁 C 代码。该方法表现优异，在简单 C 代码的生成上达到了 55.2% 的准确率，并显著优于现有的无执行器方法。

    Jun, 2021

  • 神经符号程序合成

    本文提出了一种 Neuro-Symbolic Program Synthesis 技术，通过计算机程序自动构建特定领域的语言。我们通过使用两种新颖的神经模型，交叉相关的 I/O 网络和递归反向递归神经网络，证明了该方法的有效性。

    Nov, 2016

  • 神经程序搜索：从描述和示例中解决编程任务

    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

  • RobustFill: 基于神经网络的程序学习在嘈杂输入输出情况下的稳健性

    比较了自动程序学习的两种竞争方法，包括神经程序综合和神经程序归纳，同时将基于规则的程序综合作为对比，研究表明各种方法的实际效果与评价标准及最终应用息息相关；模型使用变量大小的 I/O 对的修改注意力 RNN 可以提高模型的准确率，并在真实世界数据的实验中表现出很强的鲁棒性。

    Mar, 2017

  • 神经程序合成的最新进展

    本文探讨了深度学习在解决人工智能无法处理的问题方面取得的巨大进展，以及智能系统解决程序合成问题的可能性，研究了程序归纳模型的演变历程以及其成功、失败和重构，最后对程序合成领域进行了对比研究，并提出了未来的研究建议。

    Feb, 2018

  • 分层神经程序合成

    本文提出了一种可扩展的程序合成框架，通过层级组合程序实现程序合成，该框架可以从输入 / 输出对中合成比之前更长、更复杂的程序，并通过任务嵌入空间和程序解码器将任务嵌入解码为程序。

    Mar, 2023

  • DeepCoder: 学习编写程序

    本文研究了使用深度学习解决编程竞赛问题的方法，首先使用神经网络预测输入输出之间的关系，然后结合搜索技术和 SMT 求解器进一步优化，实验证明该方法可显著提高效率和解决程度。

    Nov, 2016

  • 学习推理程序草图

    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

  • 神经符号机：使用弱监督在 Freebase 上学习语义解析器（简化版）

    本文介绍了一种基于神经网络和非可微存储器的 Manager-Programmer-Computer 框架，该框架结合了神经网络的深度学习和 Lisp 解释器的机器学习技术，实现了从弱监督到大规模知识库的语义解析，为前沿的符号推理任务提供了有利条件。

    Dec, 2016

  • 使用查询的神经程序合成

    本篇研究提出了一个基于查询的框架用于自动生成并交互式提供信息丰富的输入输出样例，其可用于编程合成中的无监督学习以解决缺少先验知识的问题。

    May, 2022