使用混合抽象语义表示部分程序

ICLRDec, 2020

Representing Partial Programs with Blended Abstract Semantics

Maxwell Nye, Yewen Pu, Matthew Bowers, Jacob Andreas, Joshua B. Tenenbaum...

TL;DR通过神经符号表示以及基于抽象解释衍生的执行模型，我们提供了一种表示部分程序的一般技术。这种技术可以帮助程序综合引擎在寻找程序解决方案时使用更强大的语言结构，从而在给定的搜索预算内更准确地综合程序。

Abstract

Synthesizing programs from examples requires searching over a vast, combinatorial space of possible programs. In this search process, a key challenge is representing the behavior of a partially written program before it can be executed, to judge if it is on the right track and predict where to search next. We introduce a general technique for representing pa

program synthesis abstract interpretation neuro-symbolic representation execution-guided synthesis modular neural network

发现论文，激发创造

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

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

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

使用 REPL 进行程序合成：编写、执行、评估

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

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

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

神经程序合成的潜在执行

该研究文章提出了一种名为 LaSynth 的基于机器学习的程序合成方法，它能够学习潜在的嵌入式表示方法，进而提高下一个输入标记的预测性能，并通过生成随机的程序和 IO 对来进行训练以合成类似于人类编写的简洁 C 代码。该方法表现优异，在简单 C 代码的生成上达到了 55.2% 的准确率，并显著优于现有的无执行器方法。

Jun, 2021

从感知到程序：正则化、过度参数化和资瓷化

研究了神经符号程序合成技术，通过神经网络将感知输入解析为低维可解释表示，然后通过合成的程序进行处理，探索了多任务学习，摊销推理，过度参数化和可区分策略的技术。

Jun, 2022

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

神经网络如何理解程序？

本文探讨了基于 NLP 预训练技术的代码表示学习的进展，提出了一种新的程序语义学习模式，即模型应该学习由与操作语义基本操作对齐的表示和不可或缺的环境转换信息构成的信息。为了验证我们的建议，我们提出了一个名为 OSCAR 的分层 Transformer 预训练模型，通过从 IR 和静态分析导出的编码表示中学习来表示基本操作和环境转换信息，证明了 OSCAR 在许多实际软件工程任务中理解程序语义的杰出能力。

May, 2021