programming by example
PulseAugur coverage of programming by example — every cluster mentioning programming by example across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的合作推理模型增强了编程示例
研究人员在编程示例（PBE）中引入了一种新颖的问题解决方法，该方法结合了转导和归纳。与先前将这些推理模式视为互斥或层级依赖的方法不同，这种新的合作模型允许两者以相等的自主性运行。这种方法在名为 TIIPS 的系统中得到实现，在三个 PBE 领域中表现出优于现有基线的性能，生成的程序更准确地反映了地面真实行为。
-
新框架SAD改进编程示例系统
研究人员引入了求解器感知分解（SAD），一种新颖的编程示例（PBE）系统训练框架。SAD解决了当前PBE方法的一个局限性，即它们训练分解器来模仿地面真实子目标，而这些子目标可能对底层求解器来说是不可行的。通过整合来自冻结合成器的直接反馈，SAD根据合成器在目标程序上的损失来优化分解器，鼓励分解器生成求解器能够有效处理的子目标。实验表明，SAD在合成和端到端任务准确性方面带来了持续的改进，甚至在某些场景下优于地面真实分解。
-
新的PBE鲁棒性方法应对对抗性示例损坏
研究人员开发了一种名为版本空间分区聚合（VPA）的新方法，以解决编程示例（PBE）系统中的特定漏洞。与以往专注于随机示例损坏的工作不同，这项研究解决了对抗性攻击，即攻击者故意选择示例来降低PBE系统的性能。研究表明，具有低裕度的PBE任务特别容易受到此类损坏的影响，这是标准鲁棒性评估通常会忽略的一个弱点。VPA旨在通过在不相交的示例集上合成程序并使用语义签名进行投票来缓解这一问题，尽管其有效性取决于任务的特性。
-
新框架增强大型语言模型从示例合成程序的能力
研究人员开发了一个名为 PRM-PBE 的新框架，以增强大型语言模型 (LLM) 在编程示例 (PBE) 任务中的能力。该方法解决了当前 LLM 在 PBE 中的局限性，由于缺乏对中间推理过程的细粒度监督，它们通常难以从有限的输入输出示例中推断出底层程序逻辑。PRM-PBE 利用在反馈引导的推理树上训练的进程奖励模型 (PRM) 来评估中间步骤的可靠性，并结合三阶段课程学习方法和 PPO 优化来进行程序合成。在多个基准测试上的实验表明…
-
新的ReSyn框架提高了正则表达式合成的准确性
研究人员开发了ReSyn，一个旨在提高正则表达式合成准确性的新框架。该框架采用分而治之的策略，将复杂的合成问题分解为更小、更易于管理子问题。此外，ReSyn集成了Set2Regex，一个参数高效的合成器，能够有效处理输入示例的排列不变性。实验表明，ReSyn显著提高了各种合成器的性能，并在具有挑战性的真实基准测试中设定了新的最先进水平。