Inductive Program Synthesis Over Noisy Data
我们提出了一个新的框架和相关的合成算法的程序合成噪声数据,即,可能包含不正确/损坏的输入输出示例的数据。该框架是基于有限树自动机的扩展{ \em加权有限树自动机}。我们将展示如何应用这个框架来制定和解决各种程序合成问题的噪声数据。我们实现的系统运行在SyGuS 2018基准测试套件的问题上的结果突出了它在面对噪声数据集时成功合成程序的能力,包括即使数据集中的每个输入-输出示例都被损坏也能合成正确程序的能力。
2020-10-18 cs.PL
Metric Program Synthesis
我们提出了一种新的域不可知的合成技术,从输入输出的例子生成程序。我们的方法,称为度量程序合成,放宽了众所周知的观测等价性的想法(广泛用于自下而上枚举合成)到一个较弱的观测相似性的概念,减少合成器需要探索的搜索空间的目标。我们的方法聚类程序到等价类的距离度量的基础上,并构造一个版本空间,competencies表示“近似正确”的程序。然后,给定一个“足够接近”的程序从这个版本空间采样,我们的方法使用的距离引导修复算法找到一个程序,完全匹配给定的输入输出的例子。我们已经实现了我们提出的度量程序合成技术中的一个工具,称为SyMetric和评估它在三个不同的领域考虑在以前的工作。我们的评估表明,SyMetric优于其他使用观测等效性的领域不可知合成器,并且它实现了与针对这些领域设计或训练的特定领域合成器竞争的结果。
2022-10-10 cs.PL
Interactive Abstract Interpretation: Reanalyzing Whole Programs for Cheap
为了使静态程序分析在软件开发人员的指尖,我们提出了一个框架的交互式抽象解释。虽然提供了合理的分析结果,但抽象解释通常可能非常昂贵。为了实现快速的响应时间,我们增加了分析基础设施,包括后处理,而不需要对分析规范本身进行任何修改。我们依赖于本地通用定点引擎TD,它动态跟踪依赖关系,同时探索有助于回答初始查询的未知数。对受程序变化影响的分析结果采用惰性失效方法。专门的改进支持并发缺陷(如数据竞争)的增量分析。该框架已在静态分析器Goblint中为多线程C实现,使用MagpieBridge将发现中继到IDE。我们评估我们的实施w.r.t.响应时间和一致性的标尺:以前证明的不变量应该被保留-当它们不受变化的影响时。结果表明,与我们的方法,小的变化后的重新分析只需要一小部分的从头开始的分析时间,而大部分的精度被保留。我们还提供了程序开发的例子,突出了整体方法的可用性。
2022-11-25 cs.PL
Constraint-Based Type-Directed Program Synthesis
我们探讨了一种基于约束的类型推断技术的类型导向的程序合成方法。通过这样做,我们的目标是更有效地合成多态代码,同时也解决了高级类型功能,如基于多态性的GADT。一路上,我们还提出了一个实现这些技术的镰刀,原型活,类型导向的编程工具的Haskell程序设计语言,并反映了我们的初步经验的工具。
2019-07-06 cs.PL
Synthesis in Uclid5
我们描述了一个集成的程序合成到UCLID 5,一个正式的建模和验证工具。据我们所知,Uclid 5的新版本是唯一的工具,支持程序合成有界模型检验,k-归纳,顺序程序验证,和超属性验证。我们使用集成来生成25个程序合成基准,这些基准具有简单的、已知的解决方案,这些解决方案是当前合成引擎无法实现的,我们将基准发布给社区。
2020-07-17 cs.PL
Relational Program Synthesis
本文提出了关系程序合成,一个新的问题,涉及合成一个或多个程序,集体满足关系规范。关系程序合成作为关系程序验证的对偶,是一个重要的问题,具有许多实际应用,如自动程序求逆和比较器的自动生成。然而,这种关系合成问题引入了新的挑战,其非关系的副本,由于组合更大的搜索空间。作为解决这个问题的第一步,本文提出了一种合成技术,结合了反例引导归纳合成框架与一种新的归纳合成算法,是基于关系版本空间学习。我们已经实现了所提出的技术,在一个框架称为Relish,它可以通过提供一个合适的特定于域的语言和相关的关系规范实例化到不同的应用领域。我们使用Relish框架来构建关系合成器,以自动生成字符串编码器/解码器以及比较器,并且我们根据之前的工作和在线论坛中的几个基准来评估我们的工具。我们的实验结果表明,所提出的技术可以解决几乎所有这些基准,它显着优于EUSolver,通用的合成框架,赢得了一般的轨道最近的SyGuS竞争。
2018-09-11 cs.PL
Connecting Program Synthesis and Reachability: Automatic Program Repair using Test-Input Generation
证明了程序合成和可达性的某些公式是等价的。具体来说,我们的建设性证明显示基于模板的合成问题,它生成一个程序在一个预先指定的形式,和可达性问题,这决定了可达性的程序位置之间的减少。这在两个研究领域之间建立了联系,并允许在它们之间转移技术和成果。为了证明等价性,我们使用可达性工具开发了一个程序修复原型。我们将一个有缺陷的程序和它所需的规格到一个特定的程序,包含一个位置可达只有当原始程序可以修复,然后应用现成的测试输入生成工具上的转换程序,找到测试值,以达到所需的位置。这些测试值对应于原始程序的修复。初步结果表明,我们的方法与其他修复方法相比是有利的。
2019-03-28 cs.PL
Bottom-up Synthesis of Recursive Functional Programs using Angelic Execution
提出了一种新的自自底向上的【形】的函数递归程序综合方法。虽然自自底向上的【形】的合成技术在某些情况下比自顶向下的方法工作得更好,但没有一种技术可以以纯粹的自自底向上的【形】的方式从逻辑规范合成递归程序。主要的挑战是,有效的自自底向上的【形】方法需要执行正在合成的代码的子表达式,但不可能执行尚未完全构造的程序的递归子表达式。在本文中,我们使用天使语义的概念来解决这一挑战。具体来说,我们的方法找到一个程序,满足规范下天使的语义(我们称之为天使合成),分析其天使执行过程中所作的假设,使用这种分析,以加强规范,并最终重新尝试合成与加强规范。我们提出的天使合成算法是基于版本空间学习,因此有效地处理许多增量合成调用整个算法。我们已经实现了这种方法在一个原型称为突发和评估它的合成问题,从以前的工作。我们的实验表明,突发是能够合成的解决方案,94%的基准在我们的基准套件,优于以前的工作。
2021-12-08 cs.PL
Program Synthesis Using Example Propagation
我们提出了Scrybe,一个基于示例的静态类型的函数式程序设计语言的合成工具,它结合了自顶向下的演绎推理风格的$λ^2$与Smyth-style活双向评价。在合成过程中,示例约束通过草图传播,以修剪和引导搜索。这使得Scrybe能够更有效地使用上下文中提供的函数。为了评估我们的工具,它运行在$λ^2$和Myth的组合基准上,这些基准在很大程度上是不相交的。Scrybe能够合成大多数组合基准任务。
2022-10-25 cs.PL
Program Synthesis using Conflict-Driven Learning
我们提出了一种新的冲突驱动的程序合成技术,能够从过去的错误中学习。给定一个违反所需规范的虚假程序,我们的合成算法识别冲突的根本原因,并学习新的引理,可以防止类似的错误在未来。具体来说,我们引入了等价模冲突的概念,并展示了如何使用这个想法来学习有用的引理,使合成器修剪大部分的搜索空间。我们已经实现了一个通用的CDCL风格的程序合成器称为新的,并评估它在两个不同的应用领域,即数据争吵在R和函数式编程列表。我们的实验证明了冲突驱动学习的实质性好处,并表明Neo优于两个最先进的合成工具Morpheus和Deepcoder,它们分别针对这些领域。
2017-11-25 cs.PL
Modular System Synthesis
本文提出利用模块化,由小程序逐层综合大程序,并通过保持各层综合子问题与搜索空间性质相似来提升程序综合的可扩展性。
2023-08-14 cs.PL
A sound spatio-temporal Hoare logic for the verification of structured interactive programs with registers and voices
具有寄存器和语音的交互式系统(简称“rv系统”)是一种用于交互式计算的模型,该模型相对于时空对偶变换获得了闭寄存器机(“语音”是“寄存器”的时间对偶对应物)。同样的,AGAPIA v0.1,一种用于rv系统的结构化程序设计语言,是经典while程序(针对特定类型的数据)的时空对偶闭包。典型的AGAPIA程序描述了位于不同地点的开放过程,并具有对环境做出适当反应的时间窗口。该语言自然地支持流程迁移、结构化交互和在异构机器上部署组件。本文介绍了一种用于验证AGAPIA v0.1程序的类Hoare时空逻辑。作为一个案例研究,一个流行的分布式终止检测协议的形式化验证证明。
2008-10-19 cs.LO cs.PL
Human-Centric Program Synthesis
程序合成技术在搜索满足高级规范的程序方面提供了重要的新能力。虽然合成已被彻底探讨输入/输出对规范(编程的例子),本文问:什么样的程序合成看起来像超越的例子?日常发展中的哪些实际问题将从综合中获益最大?以人为中心的观点如何为合成的替代规约语言的探索提供信息?我为程序合成勾画了一个以人为中心的愿景,程序员在合成工具的帮助下探索和学习语言和API。
2019-09-26 cs.HC cs.PL
An Exercise in Invariant-based Programming with Interactive and Automatic Theorem Prover Support
基于不变式的编程(IBP)是一种基于结构的正确的编程方法,其中程序是围绕不变式构建的,这些不变式在实际代码之前被另外制定。Socos是一个专门为支持IBP而构建的程序构建和验证环境。Socos的前端是一个图形化的图表编辑器,允许程序员构建基于不变式的程序并检查其正确性。Socos的后端组件,程序检查器,计算程序的验证条件,并试图自动证明它们。它使用定理证明器PVS和SMT求解器Yices来尽可能多地释放验证条件,而无需用户交互。在本文中,我们首先从用户和系统级的角度描述了Socos环境,然后通过在Socos中构建一个经过验证的堆排序实现来验证IBP工作流。案例研究突出了自动和交互式定理证明在IBP工作流程的三个连续阶段的作用:开发的背景理论,制定程序规范和不变量,并证明最终实现的正确性。
2012-02-22 cs.LO cs.PL
Towards Interactive Logic Programming
线性逻辑编程使用可证明性作为计算的基础。在基于可证明性的操作语义中,如果$G_1$和$G_2$都可从$P$求解,则从程序$P$执行加性-合取目标$G_1 \& G_2$简单地以成功终止。这是一种不令人满意的情况,因为在这种语义中缺少\&的中心动作--用户选择$G_1$或$G_2$的动作。我们建议修改上面的操作语义以允许用户更积极地参与。我们说明了我们的想法,通过muProlog,Prolog的扩展添加剂的目标。
2015-07-01 cs.LO cs.PL
Programming-By-Example by Programming-By-Example: Synthesis of Looping Programs
程序合成近年来有了许多新的应用,这在很大程度上要归功于SyGuS的引入。然而,现有的SyGuS求解器都不支持合成递归函数。我们介绍了一个多阶段的算法,在SyGuS中的递归“loolike”程序的合成编程的例子。我们单独解决约束,并将其视为递归程序如何行为的“展开”示例,并求解广义递归解。我们的方法是模块化的,支持任何SyGuS求解器。
2021-08-19 cs.LO cs.PL
Using Program Synthesis for Program Analysis
在本文中,我们确定了一个片段的二阶逻辑与限制量化,是表现力足以捕捉众多的静态分析问题(如安全证明,错误发现,终止和非终止证明,超优化)。我们将该片段称为{ \it合成片段}。合成片段中公式的可满足性在有限域上是可判定的;具体地说,判定问题是NEXPTIME完全的。如果这个片段中的公式是可满足的,则解由从二阶变量到\emph{functions over finite domains}的满足赋值组成。为了具体地找到这些解决方案,我们合成了计算函数的\emph{programs}。我们的程序合成算法对于有限状态程序是完全的,即有限域上的每个\emph{function}都是由我们可以合成的\emph{program}计算的。因此,我们可以使用我们的合成器作为二阶逻辑合成片段的决策过程,这反过来又允许我们使用它作为许多程序分析任务的强大后端。为了显示我们的方法的易处理性,我们评估了几个静态分析问题的程序合成器。
2015-08-31 cs.LO cs.PL
Program Synthesis from Visual Specification
University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
程序合成是自动地将规范翻译成计算机代码的过程。传统的合成设置需要一个正式的,精确的规范。出于计算机教育应用程序的学生学习代码简单的海龟风格的绘图程序,我们研究了一种新的合成设置,只有一个嘈杂的用户意图绘图指定。这使得学生能够绘制他们想要的输出,可选地与他们自己的未完成的程序一起,以自动生成完整的程序。我们制定这个综合问题的搜索空间的程序,与得分的状态之间的Hausdorff距离的程序输出和用户绘图。我们比较了几种搜索算法的语料库组成的真实用户图纸和相应的程序,并证明我们的算法可以合成最佳满足规范的程序。
2018-06-04 cs.AI cs.PL
Concise Read-Only Specifications for Better Synthesis of Programs with Pointers -- Extended Version
在程序合成中,在简洁和强大的规范之间有一个众所周知的权衡:如果一个规范太冗长,它可能比程序更难写;如果它太弱,合成的程序可能不符合用户的意图。在这项工作中,我们探讨使用注释限制内存访问权限的程序合成,并表明,他们可以使规范更强大,同时保持令人惊讶的简洁。具体来说,我们增强了合成分离逻辑(SSL),一个框架,用于合成堆操作程序,只读借用的逻辑机制。我们观察到,这种简约和保守的SSL扩展在几个方面有利于合成,使其更具(a)表达性(以适度的注释开销实现更强的正确性保证),(b)有效(它产生更简洁和更易于阅读的程序),(c)高效(更快的合成),(d)鲁棒性(合成效率受搜索启发式选择的影响较小)。我们解释的直觉,并提供正式的治疗只读借用。我们证实了索赔(a)-(d)通过描述我们的量化评估的一系列标准的基准规格的各种堆操纵程序的感知合成实现。
2020-01-29 cs.LO cs.PL
Toward Neural-Network-Guided Program Synthesis and Verification
The University of Tokyo(东京大学);National Institute of Informatics(国立情报学研究所);SOKENDAI(综合研究大学院大学);University of Tsukuba(筑波大学);RIKEN AIP(理化学研究所革新智能统合研究中心)
我们提出了一个新的框架的程序和不变量的合成称为神经网络指导合成。我们首先表明,通过适当的设计和训练神经网络,我们可以从训练好的神经网络的权重和偏差中提取整数上的逻辑公式。基于这一思想,我们实现了一个从正例/反例和蕴涵约束合成公式的工具,并获得了令人满意的实验结果。我们还讨论了我们的合成方法的两个应用。一个是使用我们的工具,限定符发现的框架ICE学习为基础的CHC解决,这反过来又可以应用于程序验证和归纳不变的合成。另一个应用是一个新的程序开发框架,称为基于甲骨文的编程,这是一个神经网络引导的变化Solar-Lezama的程序合成的草图。
2021-08-25 cs.LG cs.PL
Genetic Algorithm for Program Synthesis
一种演绎程序合成工具将规范作为输入并导出满足该规范的程序。这种方法的缺点是,这种正确程序的搜索空间往往是巨大的,使得难以在实际超时内导出正确的程序。为了加快这样的程序推导,我们改进了搜索策略的演绎程序合成工具,SuSLik,使用演化计算。我们的交叉验证表明,改进所带来的演化计算概括到不可预见的问题。
2023-01-19 cs.AI cs.NE cs.PL
ChameleonIDE: Untangling Type Errors Through Interactive Visualization and Exploration
动态类型程序设计语言在教育和软件行业中很流行。虽然进入门槛很低,但它们存在运行时类型错误以及代码质量和可维护性方面的长期问题。静态类型语言虽然在这些方面表现出优势,但缺乏易学性和易用性。特别是,修复类型错误给新手用户和专家都带来了挑战。此外,编译器类型的错误消息以偏向于程序代码中第一次出现错误的静态方式呈现。为了帮助用户解决此类类型错误,我们引入了ChameleonIDE,这是一种类型调试工具,它以公正的方式向用户呈现类型错误,允许他们探索错误可能发生的完整上下文。程序员可以交互式地验证推理的步骤是否与他们的意图相反。通过三项涉及真正程序员的研究,我们表明ChameleonIDE在修复类型错误方面比传统的基于文本的错误消息更有效。这种差异在更困难的任务中更显着。此外,程序员积极使用ChameleonIDE的交互式功能被证明在修复类型错误方面比被动读取类型错误输出更有效。
2023-03-17 cs.HC cs.PL
Optimal Neural Program Synthesis from Multimodal Specifications
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
多模态程序合成利用不同类型的用户输入来合成所需的程序,是将程序合成扩展到具有挑战性的设置的有吸引力的方式;然而,它需要整合来自用户的噪声信号,如自然语言,对程序的行为有严格的约束。本文提出了一种最佳的神经合成方法,其目标是找到一个程序,满足用户提供的约束,同时也最大限度地提高程序的得分相对于神经模型。具体来说,我们专注于多模态合成任务,其中用户意图表示使用组合的自然语言(NL)和输入输出的例子。我们方法的核心是一个自上而下的递归神经模型,它将分布放置在以NL输入为条件的抽象语法树上。该模型不仅允许有效的搜索空间的语法有效的程序,但它允许我们利用自动化的程序分析技术修剪的搜索空间的基础上不可行的部分程序相对于用户的约束。在多模态合成数据集(StructuredRegex)上的实验结果表明,我们的方法在准确性和效率方面大大优于现有的最先进的技术,并且更频繁地找到模型最优程序。
2021-09-14 cs.CL cs.PL
Relational program synthesis with numerical reasoning
University of Oxford(牛津大学)
程序合成方法努力学习具有数值的程序。一个特别困难的问题是在多个示例中学习连续值,例如区间。为了克服这个限制,我们引入了一个归纳逻辑程序设计方法,它结合了关系学习与数值推理。我们的方法,我们称之为NUMSYNTH,使用可满足性模理论求解器,有效地学习程序的数值。我们的方法可以识别线性算术片段中的数值,如实数差分逻辑,以及无穷域中的数值,如实数或整数。我们在四个不同领域的实验,包括游戏和程序合成,表明我们的方法可以(i)学习程序的数值线性算术推理,(ii)优于现有的方法在预测精度和学习时间。
2022-10-04 cs.LG cs.PL
Recent Advances in Neural Program Synthesis
UC Berkeley(加州大学伯克利分校)
近年来,深度学习在许多以前人工智能无法触及的领域取得了巨大进展。在这些问题上的成功使研究人员开始考虑智能系统解决人类最近才考虑的问题的可能性:程序合成。这一挑战与其他挑战不同,例如对象识别和语音翻译,因为其抽象性和对严格性的要求使得即使是人类也很难尝试。虽然神经程序合成还远未被解决,甚至与大多数现有的方法竞争,但它是一门迅速发展的学科,如果完全实现,它将有很大的希望。在本文中,我们从探索程序合成的问题陈述和挑战开始。然后,我们研究了程序归纳模型的迷人演变,以及它们是如何成功的,失败的和被重新想象的。最后,我们得出结论,对比看程序合成和未来的研究领域的建议。
2018-02-07 cs.AI cs.PL
Informal proceedings of the 32nd International Symposium on Logic-Based Program Synthesis and Transformation (LOPSTR 2022)
本卷是第32届基于逻辑的程序合成和转换国际研讨会的非正式会议录(LOPSTR 2022),于2022年9月21日至23日举行,作为混合(混合)会议,(在格鲁吉亚第比利斯的Ivane Javakhishvili Tbilisi State University -TSU)和虚拟,并与第24届声明式编程原理与实践国际研讨会(PPDP 2022)共同举办,作为2022年计算逻辑秋季峰会(CLAS 2022)的一部分。
2022-07-29 cs.LO cs.PL
Pre-proceedings of the 27th International Symposium on Logic-Based Program Synthesis and Transformation (LOPSTR 2017)
本卷是2017年10月10日至12日在比利时那慕尔举行的第27届基于逻辑的程序合成和转换国际研讨会(LOPSTR 2016)的预录,并与第19届声明式编程原理和实践国际研讨会(PPDP 2017)共同举办。在研讨会讨论后,论文将通过第二轮评审和选择的正式程序。
2017-08-31 cs.LO cs.PL
A Coq-based synthesis of Scala programs which are correct-by-construction
本文介绍了一个新的编译器,允许一个基于Coq的合成的Scala程序是“正确的建设”。一个典型的工作流程的特点是用户实现一个Coq函数程序,证明这个程序的正确性,并利用Scala-of-Coq来合成一个可以无缝集成到现有工业Scala或Java应用程序中的Scala程序。
2017-06-16 cs.LO cs.PL
Scaling Program Synthesis Based Technology Mapping with Equality Saturation
本文提出Churchroad技术映射器,将等价饱和与程序综合工具结合,解决FPGA映射中草图编写困难及SMT求解器乘法处理弱的问题,可处理更大更复杂的设计且无需用户提供草图。
2024-11-19 cs.AR cs.PL
Modelling Program Spaces in Program Synthesis with Constraints
TU Delft(代尔夫特理工大学)
针对程序合成中候选程序空间过大的问题,提出利用语法约束建模程序空间的方法,开发求解器BART,实验显示其最多可削减99%的程序空间,显著缩短枚举时间。
2025-07-10 cs.AI cs.PL
Autoencoders as Tools for Program Synthesis
Eindhoven University of Technology(埃因霍温理工大学)
近年来,源代码语言建模的研究取得了许多进展。应用范围从代码建议和完成到代码摘要。然而,工业级程序设计语言的完全程序合成仍然是一个悬而未决的问题。在这项工作中,我们介绍和实验验证变分自编码器模型的程序合成的工业级程序设计语言。该模型利用了代码固有的树结构,并可与无梯度优化技术(如进化方法)结合使用,以生成最大化给定适应度函数的程序,例如,通过一组测试用例。可在https://tree2tree.app上获得演示
2021-09-05 cs.AI cs.PL
Multi-modal Program Inference: a Marriage of Pre-trainedLanguage Models and Component-based Synthesis
Purdue University(普渡大学);Microsoft(微软)
多模态程序合成是指根据以不同形式给出的程序规范(代码)(例如自然语言和示例的组合)来合成程序(代码)的任务。示例提供了精确但不完整的规范,而自然语言提供了模糊但更“完整”的任务描述。机器学习的预训练模型(PTM)擅长处理模糊的自然语言,但难以生成语法和语义精确的代码。程序合成技术可以生成正确的代码,甚至经常从不完整但精确的规范,如例子,但他们无法与自然语言的歧义。我们提出了一种方法,结合PTM和基于组件的合成(CBS):PTM是用来产生候选程序从自然语言描述的任务,然后用来指导CBS过程中找到的程序,匹配精确的基于实例的规格。我们使用我们的组合方法来实例化多模态合成系统的两个编程域:域的正则表达式和域的CSS选择器。我们的评估表明,我们的域不可知的方法相比,一个国家的最先进的专门系统的有效性,我们的方法在提供多模态程序合成从自然语言和例子在不同的编程域的一般性。
2021-09-03 cs.AI cs.PL
Data Migration using Datalog Program Synthesis
本文提出了一种新的技术迁移数据之间的不同模式。我们的方法表示的模式映射作为一个数据库程序,并自动合成一个数据库程序从简单的输入输出的例子来执行数据迁移。这种方法可以在不同类型的模式之间转换数据(例如,关系到图形,文档到关系),并通过利用Datalog的语义有效地执行合成。我们实现了所提出的技术作为一个工具,称为Dynamite,并通过评估Dynamite对28个现实的数据迁移方案显示其有效性。
2020-03-03 cs.DB cs.PL
Pre-proceedings of the 26th International Symposium on Logic-Based Program Synthesis and Transformation (LOPSTR 2016)
本卷是2016年9月6日至8日在英国苏格兰爱丁堡举行的第26届基于逻辑的程序合成和转换国际研讨会(LOPSTR 2016)的预录,与第18届声明式编程原理与实践国际研讨会(PPDP 2016)和第23届静态分析研讨会(SAS 2016)位于同一地点。在研讨会讨论后,论文将通过第二轮评审和选择的正式程序。
2016-09-01 cs.LO cs.PL
Transformer-based Program Synthesis for Low-Data Environments
大型预训练的Transformer模型(GPT 2/3,T5)的最新进展已经在程序合成中找到了用途,以生成满足一组输入/输出示例的程序。然而,这些模型在长时间和低数据任务上表现不佳,并且通常似乎不理解它们生成的语言的语义。我们调查的方法,解决这两个问题,通过使用属性上下文无关文法的程序设计语言生成的程序,然后分析生成的程序,使他们可以注释编译和运行时属性,如类型,使有关程序的信息可以记住在长期的地平线一代。我们首先发现,合成数据集可以有效地,可以提供Transformer模型与足够的数据,以执行一些合成任务。我们还发现,让模型访问程序属性在低数据环境中特别有效,并且倾向于提高transformer生成程序的质量并减少错误。
2022-05-18 cs.LG cs.PL
Towards Algorithmic Synthesis of Synchronization for Shared-Memory Concurrent Programs
我们提出了一个框架,需要一个并发程序组成的不同步的进程,随着其全球并发行为的时间规范,并自动生成一个并发程序同步,确保正确的全球行为。我们的方法支持有限状态的并发程序组成的进程,可能有本地和共享变量,可能是直线或分支程序,可能正在进行或终止,并可能有程序初始化或用户初始化的变量。规约语言是命题计算树逻辑(CTL)的扩展,其使得能够容易地对控制和数据变量的安全性和活性属性进行规约。该框架还支持在不同的抽象和粒度级别上合成同步。
2012-07-04 cs.LO cs.PL
Decidable Synthesis of Programs with Uninterpreted Functions
我们确定了一个可判定的合成问题的一类程序的无限大小的条件和迭代工作在无限的数据域。我们类中的程序使用未解释的函数和关系,并遵守最近确定的产生可判定验证的称为一致性的限制。我们制定了一个功能强大的语法限制(语法指导)的合成问题,连贯的未解释的程序,我们的问题是可判定的,确定其精确的复杂性,并研究了几个变种的问题。
2020-07-22 cs.FL cs.LO cs.PL
Geometry of Program Synthesis
University of Melbourne(墨尔本大学)
我们重新评估通用计算的基础上综合的图灵机。这导致了一种观点的程序作为奇点的分析品种,或等价地,作为阶段的贝叶斯后综合问题。这种新的观点揭示了程序合成的研究方向,其中神经网络是一个子集,例如在相变,复杂性和概括。我们也奠定了这些新方向的经验基础,报告我们的代码中的一些简单的实验实施。
2021-03-30 cs.AI cs.LG cs.PL
Program Synthesis is $Σ_3^0$-Complete
本文证明程序合成在算术层级中是 $Σ_3^0$-完备的,通过构造性编码为一阶公式并归约COF问题,首次给出其一般一阶刻画,并分析变体难度。
2024-05-27 cs.CC cs.LO cs.PL
AbstractBeam: Enhancing Bottom-Up Program Synthesis using Library Learning
University of Mannheim(曼海姆大学)
针对现有程序合成算法LambdaBeam未利用重复程序结构的问题,提出集成库学习的AbstractBeam框架,将重复结构融入DSL,在整数列表操作领域显著提升合成效果与效率,拓展了库学习的适用范围。
2024-09-12 cs.AI cs.PL cs.SE
NAPS: Natural Program Synthesis Dataset
NEAR
我们提出了一个面向程序合成的数据集,由人类编写的问题陈述和解决方案,这些问题。问题陈述是通过众包收集的,程序解决方案是从编程竞赛中的人类书面解决方案中提取的,并附有输入/输出示例。我们建议使用此数据集的程序合成任务,旨在与真正的用户生成的数据。作为基线,我们提出了几个模型,最好的模型达到8.8%的准确率,展示了数据集的复杂性和未来研究的巨大空间。
2018-07-06 cs.AI cs.LG cs.PL
Hierarchical Neural Program Synthesis
USC(南加州大学);KAIST(韩国科学技术院);Naver AI Lab(Naver人工智能实验室);National Taiwan University(国立台湾大学)
程序合成的目标是自动构造满足给定任务规范的人类可读程序,例如输入/输出对或演示。最近的工作已经证明了令人鼓舞的结果,在各种领域,如字符串变换,张量操纵,并描述具体代理的行为。大多数现有的程序合成方法被设计成从头开始合成程序,逐行逐标记地生成程序。这从根本上阻止了这些方法扩展到合成更长或更复杂的程序。在这项工作中,我们提出了一个可扩展的程序合成框架,而不是合成一个程序的层次结构组成的程序。具体来说,我们首先学习一个任务嵌入空间和一个程序解码器,它可以解码嵌入到程序中的任务。然后,我们训练一个高级模块来理解任务规范(例如,输入/输出对或演示),并产生任务嵌入序列,然后由程序解码器解码并合成以产生合成程序。我们广泛地评估我们提出的框架中的字符串变换域的输入/输出对。实验结果表明,所提出的框架可以合成的程序是显着更长,更复杂的程序比以前的程序合成工程。网址:https://thoughtp0lice.github.io/hnps_web/
2023-03-09 cs.AI cs.LG cs.PL
Stepping Stones to Inductive Synthesis of Low-Level Looping Programs
Parity Computing, Inc.(Parity Computing公司)
归纳程序合成,从输入/输出的例子,可以提供一个机会,自动从头开始创建程序,而无需预先假设的算法形式的解决方案。对于带有循环的通用程序的归纳(相对于无循环程序,或特定领域语言的综合),最先进的是入门编程作业的水平。大多数需要算法精细性的问题,如快速排序,如果没有重要的特定问题背景知识的帮助,仍然无法实现。一个关键的挑战是识别可用于引导搜索正确循环程序的线索。我们提出了MAKESPEARE,一个简单的延迟接受爬山法,从输入/输出的例子,合成低层次的循环程序。在搜索过程中,延迟接受绕过小的收益,以确定显着改进的垫脚石程序,往往推广和实现进一步的进展。该方法在一组已建立的基准上表现良好,并成功地解决了以前未解决的“Collatz数”程序合成问题。其他基准测试包括快速排序整数数组的问题,其中我们观察到梳状排序(一种Shell排序变体,根据经验快速)的出现。MAKESPEARE还合成了一个创纪录的程序,从TIS-100汇编语言编程游戏的难题之一。
2018-11-26 cs.AI cs.LG cs.PL
Herb.jl: A Unifying Program Synthesis Library
Technical University Delft(代尔夫特理工大学)
Herb.jl是一个用Julia编写的统一程序合成库,旨在通过分解底层算法为可扩展的子组件,简化程序合成的重用和调整过程。
2026-01-30 cs.AI cs.PL cs.SE
CodeGen: An Open Large Language Model for Code with Multi-Turn Program Synthesis
Salesforce Research(赛富时研究院)
程序合成致力于生成一个计算机程序作为给定问题规范的解决方案,用输入-输出示例或自然语言描述来表达。大语言模型的流行促进了程序合成的发展,尽管有限的训练资源和数据阻碍了对此类模型的开放访问。为了实现这一点,我们训练并发布了一系列高达16.1 B参数的大语言模型,称为CODEGEN,基于自然语言和程序设计语言数据,并开源了训练库JAXFORMER。我们展示了训练模型的实用性,证明了它与HumanEval上的zero-shot Python代码生成上的先前最先进技术具有竞争力。我们进一步研究了程序合成的多步范式,其中一个单一的程序分解成多个指定子问题的提示。为此,我们构建了一个开放的基准,多回合编程基准(MTPB),由115个不同的问题集,分解成多回合提示。我们对MTPB的分析表明,以多回合方式提供给CODEGEN的相同意图比以单回合方式提供的意图显著改善了程序合成。我们将训练库JAXFORMER和模型检查点作为开源贡献提供:https://github.com/salesforce/CodeGen。
2023-02-27 cs.CL cs.LG cs.PL
ANPL: Towards Natural Programming with Interactive Decomposition
Institute of Computing Technology, CAS(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学);Institute of Software, CAS(中国科学院软件研究所);Autodesk Research(欧特克研究院)
本文提出ANPL交互式编程系统,通过草图与自然语言空洞的结构化分解,让用户递归细化LLM生成代码,在ARC等任务上优于基线并适用于多编程领域。
2023-11-30 cs.AI cs.CL cs.LG
Write, Execute, Assess: Program Synthesis with a REPL
MIT(麻省理工学院);Harvard University(哈佛大学)
我们提出了一个神经程序合成方法集成组件的编写,执行和评估代码导航的搜索空间的可能的程序。我们配备了一个解释器或读取-评估-打印循环(REPL),立即执行部分编写的程序,暴露他们的语义搜索过程。REPL解决了程序合成的一个基本挑战:语法上的微小变化可能导致语义上的巨大变化。我们训练了一对模型,一个建议编写新代码的策略,以及一个评估到目前为止编写的代码的前景的价值函数。在测试时,我们可以将这些模型与顺序蒙特卡罗算法结合起来。我们将我们的方法应用到两个领域:合成文本编辑程序和推断2D和3D图形程序。
2019-06-09 cs.AI cs.LG cs.PL