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

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

在这项研究中，我们将通用 SyGuS 问题作为树搜索框架，并提出了一种基于蒙特卡洛树搜索 (MCTS) 的增强学习引导合成算法。我们的算法结合了学习到的策略和值函数，以及平衡探索和利用的树上置信上界。我们还介绍了一种基于现有一阶可满足性问题的反合一方法自动生成 SyGuS 的训练数据。通过这些成果，我们的工具在训练和测试集中相比基准枚举算法提高了 26 个百分点，超过了 1 CVC5 等最先进工具的表现，同时我们还公开了我们的数据集以便于进一步应用机器学习方法解决 SyGuS 问题。

Jul, 2023

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

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

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

本文提出了一种新的指导程序综合的方法：在程序综合过程中根据遇到的部分解来学习启动模型，同时提出了一种称之为指导自下而上搜索的程序枚举算法来最大限度地利用模型。这种方法在基准测试中取得了非常显著的性能提升，且所生成的程序与最短解相比几乎一致。

Oct, 2020

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

该研究通过整合不同的神经网络模型，使模型在程序综合问题上表现更出色，并且提出了一个神经程序调试工具，可以通过修改神经网络的生成结果来改善程序效果。

Jul, 2020