Feb, 2024
通过搜索梯度引导的基于草图的程序归纳
Guided Sketch-Based Program Induction by Search Gradients
Ahmad Ayaz Amin
TL;DR使用进化策略通过搜索梯度学习参数化程序,为程序归纳提供了一种解决方案,使其可在各种情境下应用。
Abstract
Many tasks can be easily solved using machine learning techniques. However,
some tasks cannot readily be solved using statistical models, requiring a
symbolic approach instead. →
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
神经程序元归纳
该研究旨在通过跨任务知识转移的两种方法 —— 投资组合适应和元编程归纳,以提高节约数据的编程归纳的效率,并针对一个新的基准程序进行广泛的实验评估。实验评估结果表明,这两种方法明显优于那些不使用知识转移的编程归纳基准方法,并分析了它们的表现最佳的条件。
Oct, 2017
策略梯度搜索中的探索改进:符号优化应用
本文介绍了两种探索方法 —— 熵正则化和分布初始化,用于解决基于神经网络的自动数学计算任务中的早期决策和初始化偏差问题,从而提高机器学习性能、样本效率和解决方案复杂性。
Jul, 2021
多樣視頻演示生成程序
本文介绍一种可以从视频演示中提取概括性规则的模型,并探讨了其处理多个序列的能力,从而相较于传统的概括技术可以更好地利用边缘情况,并无需进行额外的过滤。通过在 Vizdoom 环境中合成程序的实验,取得了相对于现有工作的 11.75% 的程序准确性的提升。
Feb, 2023
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
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