本文探讨了使用 Large Language Models 进行程序合成时,实现 Synthesize,Execute,Debug 方法的方法,包括替换或修复故障程序,以及不同基于模板和基于模型的提示生成技术,取得了比传统方法更好的表现。
Apr, 2023
以输入输出样本为基础的黑盒组件,ISED 算法通过学习神经程序的方式来估计深度神经网络参数,其性能与最先进的神经符号框架相媲美,并且在使用先前的工作基线的情况下,以更高的数据和样本效率达到了类似的准确性。
Jun, 2024
本文介绍了神经引导演绎搜索 (NGDS) 技术,应用于编写用户意图程序的问题,结合了符号逻辑技术和统计模型,通过演绎搜索框架来学习神经网络组件,以找到最适合提供的规范的程序,并在真实客户场景中验证其实用性。
Apr, 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
该论文提出了一种神经程序合成方法,该方法使用读取 - 执行 - 打印循环 (REPL) 集成组件来定位可能程序的搜索空间,并通过训练政策模型和价值函数模型,能够合成文本编辑和 2D、3D 图像程序。
Jun, 2019
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
本文提出了一种基于程序 -- 反馈图的图神经网络及一种用非监督学习方法构建大量程序修复样例的自监督学习范式。最终应用的 DrRepair 算法在两个应用领域上都取得了比之前的工作更好的修复效果。
May, 2020
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
提出了一种基于程序执行轨迹学习的新型语义程序嵌入,相比于基于程序语法的嵌入,可以更准确地捕捉程序语义,并用于预测学生程序提交中的错误类型,并展示了通过该语义嵌入预测进行搜索的效率显著提高的结果。
Nov, 2017
通过使用语义修复的统计模型和神经网络,我们的研究成功地预测代码中的错误位置,并将其修复,从而提高了修复的准确性。
Oct, 2017