Oct, 2023

竞技编程问题的算法标签和难度预测指南

PDF
TL;DR通过收集来自 Codeforces 的问题样本，我们提出了一个用于预测算法标签的真实世界算法问题多任务数据集，这是迄今为止与之前的研究相比最大规模的数据集。此外，我们的工作是首次解决算法问题难度级别的预测，我们提出了一种基于深度学习的新方法，可以同时预测算法标签和算法问题的难度级别。
ai-based education systemsalgorithm problemspredicting algorithm tagsdifficulty levelsmulti-task dataset
发现论文，激发创造
  • 使用深度学习技术对竞赛编程问题进行标签预测

    通过使用文本分类技术来确定竞技编程问题的领域的方法，使用 LSTM、GRU 和 MLP 等多种模型对 Codeforces 网站上的 2400 个问题进行训练和测试，最高准确度达到 78.0%。

    Aug, 2023

  • 利用预训练模型估算编程问题的难度级别

    针对编程在线评测平台的编程问题的难度级别自动估计问题，我们提出了结合文本模态和代码模态的预训练模型构建统一模型的方法，并且通过两个编程在线评测平台数据集的实验证明了该方法的有效性和两种模态的贡献。

    Jun, 2024

  • 使用数学数据集衡量数学问题解决能力

    介绍了一种新的 MATH 数据集，其中包含 12500 个具有挑战性的竞赛数学问题，每个问题都有全面的解决方案，可以用于教模型生成答案推导和解释。尽管研究者不断增加 Transformer 模型的预算和参数总数，但在 MATH 的准确性仍然相对较低，因此未来的研究可能需要更广泛的算法进步。

    Mar, 2021

  • 使用深度学习技术预测编程竞赛参赛者的表现

    本研究提出了一个框架，基于选手之前参加比赛的表现和练习情况，预测参加 Codeforces 平台竞赛的选手在未来比赛中的表现和评级。

    Feb, 2023

  • 带有预测的算法学习

    介绍了一种算法设计范例 —— 基于学习预测器的算法，将在线学习技术应用于预测器学习、调整鲁棒性 - 一致性折中并绑定样本复杂度，在构建优美的预测器的同时，在二分图匹配、滑雪租赁、页面迁移和作业调度等多场景中优化了多个现有结果，且提供了第一批基于学习理论的担保。

    Feb, 2022

  • 算法运行时间预测：方法与评估

    利用机器学习建模算法的运行时间，对算法分析、自动参数配置等方面有重要应用，本文针对命题可满足性、旅行商问题和混合整数规划等问题，介绍了新的模型和特征，与文献中各种运行时间建模技术进行比较，实证表明本文新模型相比以往方法，具有更好的泛化性和预测准确度。

    Nov, 2012

  • AlphaCode 与竞技级代码生成

    AlphaCode 是一个针对竞争性编程问题的系统，通过三个关键组件（专业数据集、高效转换架构和大规模模型采样）实现针对较深层次的推理并在 Codeforces 上实现了良好和可靠的表现。

    Feb, 2022

  • 使用超参数调整的模型叠加技术进行编码问题标注

    本文提出使用超参数调节提高准确率的增强模型堆叠来帮助编码问题的练习，取得了 77.8％的准确率和 0.815 的 PR-AUC，并公开了数据集和模型。

    Jun, 2023

  • DeepCoder: 学习编写程序

    本文研究了使用深度学习解决编程竞赛问题的方法，首先使用神经网络预测输入输出之间的关系，然后结合搜索技术和 SMT 求解器进一步优化，实验证明该方法可显著提高效率和解决程度。

    Nov, 2016

  • 通过 Codewars 的 Katas 评估 GPT 的编程能力

    本研究评估了 GPT-3.5 和 GPT-4 编程模型的编程熟练度，这些模型对于不同难度级别的编程问题的求解存在明显的局限性，作者提出了一个融合了问题难度和解题时间的编程问题复杂性度量标准，并强调了需要在 AI 模型中加入验证和创造性思维能力以更好地模拟人类问题解决技术的必要性。

    May, 2023