Oct, 2020

自底向上枚举合成的即时学习

PDF
TL;DR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。
program synthesisprobabilistic modelsguided bottom-up searchsygus formatperformance gains
发现论文，激发创造
  • 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

  • 利用大型语言模型引导枚举式程序合成

    本文评估了预训练大型语言模型在解决正式综合基准测试中的能力，并提出了一种将语言模型与枚举综合算法相结合的新颖算法，结果显示该方法在性能上明显优于独立使用语言模型或枚举综合器，以及在 SyGuS 竞赛中取胜的工具。

    Mar, 2024

  • 基于强化学习的语法引导综合

    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

  • 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

  • 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

  • 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

  • 综合中的过拟合：理论与实践（扩展版）

    本文研究了语法引导综合中的过拟合现象，提出了针对性地选择合适语法以增加合成器性能的方法，并最终通过提出的混合枚举算法达到了比 2018 年 SyGuS 竞赛获胜者更高的速度和效率。

    May, 2019

  • 贝叶斯合成概率编程自动数据建模

    使用贝叶斯综合技术，通过概率领域专用数据建模语言自动生成概率计算程序进行数据分析、解释和预测，并应用于时间序列数据和多元表格数据的分析，结果表明该技术可以准确推断多个真实世界数据的定性结构，优于标准的数据分析方法。

    Jul, 2019

  • 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

  • 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