Jul, 2020

BUSTLE: 通过学习引导的探索实现自下而上的程序合成

PDF
TL;DR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。
program synthesisbottom-up searchlearninginput-output examplessygus competition
发现论文，激发创造
  • 自底向上枚举合成的即时学习

    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

  • CrossBeam: 底部向上程序综合中的搜索学习

    为了解决程序综合中搜索空间膨胀的问题，我们提出了 CrossBeam，它训练一个神经模型来学习自底向上的搜索策略，从而更加高效地探索程序空间。我们在字符串操作和逻辑编程领域实验后发现，CrossBeam 学会了高效搜索，相比最先进的技术，它探索了更小的程序空间。

    Mar, 2022

  • 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

  • 最佳优先自顶向下的程序合成

    该论文通过引入一种名为 Bee Search 的新的最佳优先从底向上搜索算法，解决了现有的基于成本指导的底向上搜索算法在信息损失和成本函数排序方面的问题。实证结果表明，Bee Search 在更复杂的领域特定语言（DSLs）中优于现有的成本指导的 BUS 算法，在简单的 DSLs 中与先前的方法表现相当好。此外，我们的新成本函数在字符串操作任务上优于先前的成本函数。

    Oct, 2023

  • 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

  • 基于神经引导的演绎式搜索：以示例为基础的实时程序综合

    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

  • 利用语言学习程序抽象和搜索启发

    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

  • 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

  • 通过程序合成学习神经符号生成模型

    本文介绍了一种使用程序表示全局结构的生成模型和利用程序综合生成训练数据的框架，可显著改善生成和补全具有全局结构的图像。

    Jan, 2019

  • 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