本研究提出了一种新的基于学习的方法来对程序进行超优化,该方法利用无偏估计梯度来学习建议分布以提高程序性能,实验表明,该方法能够在超优化方面显着优于现有的基于规则和基于随机搜索的方法。
Nov, 2016
本文提出了一种基于 code2vec 的路径表示方法的方法移动建议的机器学习分类器,以训练和推荐在提高代码质量方面的 Move Method 重构,其结果表明,我们的方法能够推荐准确的重构机会并在这个领域比现有的工具更具优越性。
Feb, 2020
该论文介绍了使用强化学习学习建议分布来提高超级优化技术中的随机搜索方法,该方法改进了当前程序的修改建议,通过解决程序修改建议的优化问题可用于压缩程序,提高程序速度及减小程序文件大小。
Dec, 2016
本文针对广义规划领域,在引入启发式搜索方法的前提下,提出首个本地启发式搜索方法,定义基于程序的解空间,以实现不同实例规划和不同实例规划大小的独立运行,同时定义 BFGP 算法进行最佳优先搜索,并由不同评估和启发式功能作为指导。
May, 2022
本文介绍了一种用于改进现有程序的本地搜索方法,即基于单项游戏评分提高程序效率的 POLIS 方法,在 27 人的用户研究中得到验证,可以作为可衡量目标的编程问题的有用助手。
Jul, 2023
本研究针对优化问题,提出了一种基于自动设计元启发式算法的方法学框架 AutoOpt,该框架包含具有良好性能的算法性能评估标准、算法设计决策空间的一般架构、设计算法所用的混合图和实数表示以及无模型方法来进行设计过程。实测结果表明,AutoOpt 是一种有效和高效的设计元启发式算法的方法学框架。
Apr, 2022
通过引入高阶抽象概念来发现新颖的抽象是实现人工智能的重要任务。我们介绍了一种发现高阶抽象(例如映射、过滤和折叠)的方法,并以归纳逻辑编程为重点,通过示例和背景知识归纳出逻辑程序。我们在 STEVIE 中实现了我们的方法,将高阶重构问题作为约束优化问题来处理。在多个领域(包括程序合成和视觉推理)上的实验结果表明,与不进行重构相比,STEVIE 可以提高预测准确性 27%,并减少学习时间 47%。我们还展示了 STEVIE 能够发现可应用于不同领域的抽象概念。
Aug, 2023
通过分析代码搜索模型的偏差,本论文研究了代码搜索引擎的另一方面,提出了一种基于重排序的去偏方法,能够有效减少代码搜索引擎的偏见并提高整体排名性能。
Nov, 2023
本文提出了一种新的整数线性规划模型,以寻找关于依赖性度量的最优图弧集合;同时,该方法还可以解决现有方法无法完全处理的一些其他问题,如循环依赖。经评估,该方法的输出在适应性、精确性和特别是简易性方面优于最具代表性的依赖性图发现方法的输出。
Mar, 2022
研究提出了 MAGPIE,一种统一的软件改进框架,可以同时使用编译器优化、算法配置和基因改进等多种提高软件效率的方法,结果显示可同时探索所有技术,提供了使用各个技术的竞争性替代方案。
Aug, 2022