May, 2022

AutoTSG: 事件故障排除的学习和合成

PDF
TL;DR本研究通过大规模实证研究发现疏通指南 (TSGs) 被广泛使用，帮助减少云服务故障的缓解工作，但常常存在结构不明、内容不完整的问题，因此本文提出利用机器学习和程序合成自动化 TSGs 的 AutoTSG 框架并进行试验评估，结果显示其准确性达到 0.89，同时具有很高的精度和召回率。
发现论文，激发创造
  • 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

  • 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

  • 基于学习的软件代码和配置自动合成

    给出自动软件生成和配置的两个任务，第一个任务进一步分为两个子任务：用基于神经网络的适应度函数和程序跟踪与规范训练的遗传算法合成程序，用协方差矩阵适应演化策略合成程序；第二个任务是使用序列到序列深度学习机制从不同的输入文件（例如软件手册、配置文件、在线博客等）合成大规模软件的配置。

    May, 2023

  • Synchromesh：基于预训练语言模型的可靠代码生成

    本文提出了 Synchromesh 作为一种增强预训练语言模型在代码生成中可靠性的框架。它通过 Target Similarity Tuning 选择语义上相似的训练样例，并采用 Constrained Semantic Decoding 方法在不需要额外训练的前提下约束输出代码的合法性，从而提高了模型的实用性和运行效率。作者在使用 GPT-3 和 Codex 两种模型在 SQL 查询、Vega-Lite 可视化和 SMCalFlow 编程语言中进行实验，展示了 CSD 在约束语义、范围、类型规则和上下文逻辑等方面的有效性。

    Jan, 2022

  • 智能辅导系统中几何问题的自动合成

    该论文介绍了一个名为 GeoTutor 的智能辅导系统，它能自动合成证明问题及其解决方案，以及针对学生在欧几里得几何方面的缺陷提供个性化练习问题。

    Oct, 2015

  • 从解决方案综合到学生尝试综合：针对基于块的视觉化编程任务

    研究使用 AI 驱动的编程导师协助编程初学者，其中关键组成部分为学生建模，能自动推断学生的误解以预测（综合）他们的行为，并介绍了一个新的基准 (StudentSyn)，以综合一个给定学生的目标任务尝试，探究如何使用神经 / 符号技术来实现。

    May, 2022

  • 理论指导的数据科学：从数据中发现科学新范式

    本文介绍了以 “理论引导的数据科学” 为中心的研究范式以及其相关的研究主题。同时，我们阐述了该范式的目标和意义，并提出了将领域知识融入数据科学模型的多种方法，并列举了不同学科中的例子进行阐述。本文还突出了实现理论引导的数据科学的全部潜力所需的一些有前途的研究路径。

    Dec, 2016

  • ProgSG：电子设计自动化程序跨模态表示学习

    该论文提出了一种名为 ProgSG 的方法，结合源代码序列模态和图模态，实现深入和精细的互动，以促进领域特定加速器（DSAs）的自动化设计并解决现有高级综合工具需要进行微体系结构决策的问题。

    May, 2023

  • STaSy: 基于得分的表格数据合成

    本文提出了一种名为 STaSy 的新模型和它基于评分的生成模型训练策略，在实验中，该模型在生成任务中较现有方法表现更好，提升了样本质量和多样性。

    Oct, 2022