Jan, 2018

具有优先队列训练的神经程序合成

PDF
TL;DR研究程序综合，基于输出的奖励函数，通过优化方法和利用循环神经网络 (RNN) 训练找到最优解。使用 BF 语言进行基准测试，证明 priority queue training (PQT) 算法比遗传算法和强化学习算法更有效。同时，在奖励函数中增加程序长度惩罚，可合成简洁易读的程序。
program synthesisreward functionoptimizationrnnturing-complete programming
发现论文，激发创造
  • 利用语法和强化学习进行神经程序合成

    本文提出了两种新的方法来解决程序合成中的限制，分别通过增加语义正确生成的概率和语法正确的程序的概率来解决。

    May, 2018

  • 强化学习引导下的程序合成树搜索

    本文提出了一种新的程序合成方法，将寻找最优程序的问题转化为基于强化学习的马尔科夫决策过程， 并将这种方法应用于浮点数 RISC-V 汇编语言的子集上，并结合基于搜索技术的优先搜索树，证明了我们的方法相较于其他基线方法的优越性

    Jun, 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

  • 神经引导的约束逻辑编程用于程序合成

    使用神经模型指导 MiniKanren 解决编程 - by-example 问题。我们实现了基于 RNN 和 GNN 的神经模型，其输入为 MiniKanren 的内部表示。我们的方法能够更快地合成程序，并能够泛化到更大的问题。

    Sep, 2018

  • 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

  • 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

  • 基于神经网络的程序综合和验证

    提出一种神经网络引导的程序和不变量综合框架，其利用设计和训练神经网络提取出训练神经网络权重和偏置值上的整数逻辑公式，并用于正 / 反例和蕴含约束的公式合成，具有很好的实验结果，并在 ICE-learning-based CHC 求解、程序验证和归纳不变量合成等方面有重要应用。

    Mar, 2021

  • 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

  • BUSTLE: 通过学习引导的探索实现自下而上的程序合成

    本研究介绍了一种利用学习指导自下而上程序搜索的新兼并方法，以中间的程序为基础，通过输入输出示例进行搜索，从而构建程序，该方法在程序综合方面非常有效。

    Jul, 2020

  • 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