.png){kind=icon}
返回
Active Learning for Neurosymbolic Program Synthesis
.png){kind=icon}
PRE
AI
DOI：10.1145/3763102.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
主动学习在程序合成中的目标是通过提出旨在减少用户交互的针对性问题来合成期望的程序。尽管先前工作已探讨了纯符号设置下的主动学习，但这些技术对于日益流行的神经符号程序合成范式而言是不充分的，因为合成程序中包含了神经网络组件。当应用于神经符号设置时，这些技术由于神经网络组件的误预测，可以——并且在实践中确实会——返回一个非预期的程序。本文提出了一种新的主动学习技术，能够应对由神经网络误预测带来的独特挑战。我们的方法基于一种新的评估策略，称为约束一致性评估（CCE），该策略在考虑神经网络误预测的同时，也考虑了用户提供反馈。我们提出的方法通过迭代使CCE更精确，直至所有剩余程序在观测上被保证等价。我们已将此方法实现为一个名为SMARTLABEL的工具，并在三个神经符号领域上对其进行了实验评估。结果表明，SMARTLABEL在98%的基准测试中识别出真实程序，平均仅需不到5轮用户交互。相比之下，先前的主动学习技术最多只能在65%的基准测试中收敛到真实程序。
Keyword:
Program Synthesis
Active Learning
Neurosymbolic Synthesis
Conformal Prediction
期刊
P
IF:
2.8
论文数:
308
被引数:
4.7K
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容