2017年人工智能自主编程的最新进展有哪

2017年人工智能自主编程的最新进展有哪

告诉你一个了解2017年自主编程最新进展的捷径，即关注一下 2017 年 4 月 24 - 26 在法国土伦举办的 ICLR 上出现的有关自主编程的论文，就会对当下的自主编程进展有一个大致的了解。本次 ICLR共收到到 491篇提交论文，接受的论文当中有12篇与自主编程相关（所有这些论文可在），希望能够帮助你系统性地了解现在自动编程技术的发展状况和前沿思想：

1. DeepCoder：学习编程（DeepCoder: Learning to Write Programs）
2. 具有连续和离散寻址方案的动态神经图灵机（Dynamic Neural Turing Machine with Continuous and Discrete Addressing Schemes）
3. 通过探索不完美的奖励来改善策略梯度算法（Improving Policy Gradient by Exploring Under-appreciated Rewards）
4. 用神经网络拆分和征服（Divide and Conquer with Neural Networks）
5. Lie-Access 神经图灵机（Lie-Access Neural Turing Machines）
6. 通过递归实现神经编程架构通用化（MAKING NEURAL PROGRAMMING ARCHITECTURES GENERALIZE VIA RECURSION）（最佳论文）
7. 神经组合优化（Neural Combinatorial Optimization）
8. 神经函数式编程（NEURAL FUNCTIONAL PROGRAMMING）
9. 神经程序格（NEURAL PROGRAM LATTICES）
10. 神经-符号程序合成（Neuro-Symbolic Program Synthesis）
11. 使用一个可微分的 FORTH 解释器编程（PROGRAMMING WITH A DIFFERENTIABLE FORTH INTERPRETER）
12. 使用分层生成卷积神经网络的无监督程序推导（Unsupervised Program Induction with Hierarchical Generative Convolutional Neural Networks）

下面详细介绍一下第一篇和第六篇，如果想了解其他论文，可在：

• 论文：Deepcoder: Learning to Write Programs

摘要：本文开发了一种使用输入-输出样本的深度学习来解决编程竞赛风格（programming competition-style）问题。该方法通过训练神经网络来预测由输入到输出生成的程序属性。本文使用神经网络的预测来增强在编程中进行搜寻的技术，其包括了枚举搜寻（enumerative search）和基于 SMT 的解算器（SMT-based solver）。实证表明，本文的方法可以在强非增强型基线（strong non-augmented baselines）和递归神经网络（Recurrent Neural Network）方法上产生一个数量级的加速，并且能够解决和在编程竞赛中比最简单问题更复杂一些的问题。

• 论文：Making Neural Programming Architectures Generalize via Recursion

摘要：从经验上讲，试图使用数据来学习编程的神经网络显示出了较差的通用性。此外，当输入的复杂度超过了阈值，就很难去推测这些模型的表现。为了解决这个问题，本文提议增加一个带有关键抽象方法的增强神经架构——递归（recursion）。作为一个应用，本文在神经编程器-解释器框架（Neural Programmer-Interpreter framework）中的两个任务——添加和排序——上实现了递归，实现了在更少量的训练数据下展示出了优越的泛化性和可解释性。通过将问题划分为一个个更小的部分，并且极大地减少每个神经网络组件域，这种方法也让我们可以很容易去证明担保整个系统的行为。根据经验表明，为了让神经架构更稳健地学习程序语义（program semantics），有必要引进一个递归这样的方法。

除了 ICLR 2017 收录的 12 篇自主编程论文之外，据我所知还有其他两篇论文推动了自主编程的重大进展，完整论文可在arXiv上查询：

• 论文：Deep API Programmer：Learning to Program with APIs

摘要：本文提出了 DAPIP（Deep API Programmer/深度 API 编程器），这是一个可以根据示例编程（Programming-By-Example）的系统，其可以学习使用 API 来编写执行数据转换任务的程序。本文设计了一种领域特定语言（DSL：domain-specific language），允许 API 输出和常量字符串的任意拼接（concatenation）。该 DSL 由三个 API 系列组成：基于正则表达式的 API、查找 API 和转换 API。然后我们提出了一种全新的神经合成算法（neural synthesis algorithm）来在该 DSL 中搜索与一个给定的示例集一致的程序。该搜索算法使用了最近引入的神经架构来编码「输入-输出示例（input-output examples）」和建模在该 DSL 中的程序搜索。本文的研究表明：在合成基准和真实世界基准上，该合成算法在程序合成上的表现都优于基线方法。

• 论文：RobustFill: Neural Program Learning under Noisy I/O

摘要：在人工智能发展的初期，有关自动生成计算机程序用于一些特定任务的尝试就已开始了。最近有两个自动学习程序的受到了人们的关注：1）神经程序生成，其中神经网络基于输入/输出（I/O）范例进行学习，并生成程序；2）神经程序归纳，其中神经网络通过隐藏的程序表示直接生成输出。本文第一次在大体量真实世界学习任务中比较了两种，同时也将这些方法与基于给定规则的程序生成方法进行了对比。本文的神经网络模型使用特定的 attention RNN 来处理不同大小的 I/O 配对集。本文的生成模型在真实世界数据的测试中达到了 92% 的准确率，而此前最好的神经网络生成方法只有 34% 准确率。生成模型的性能在这一测试中也优于归纳模型，但更重要的是本文证明了每种方法的性能高度依赖于评价标准和客户端形式。最后，本文的研究证明了人们可以训练神经网络模型在充满噪音的真实世界数据（如包含错字）中具有鲁棒性，而手动编写规则的系统完全无法与之相比。

现在的高考自主招生遭到诸多家长诟病，认为它打开了一扇为官宦，富豪之家子女踏入好大学的便捷之门，破坏了本来还算是公平的高考，使得平民百姓的孩子更难上好大学。在此暂且不论权势与金钱为子女培优加分的现象，只说自主招生的原本意义。任何一项政策出台都是公平的，惠及的不仅仅是小众。自主招生同样如此，它能让一些高考失误的学生通过自主招生的门槛，在高校老师面前更好的展示自己的学习，技能，从而获得减分入学的机会。因此我个人认为，自主招生是高考的完善与补充。它的存在，对一些因考造成的一点小失误的学生而言，有着重大非凡的意义。高校自主招生除了才艺能获得减分的机会，恐怕更多的还是要看学生本身的学习成绩以及学习能力。试问那些平时学习成绩不好，但有某方面才艺的学生都能获得减分的机会吗，答案显然是否定的。就算能减分，但高考成绩不达标，依然会与义仪的高校失之交臂。之所以这样说，是因为我身边就有活生生的例子一一我同事的孩子就因此获得20分的降分录取的机会，从而顺利进入全国前十的名牌大学就读。有人或许会认为其家庭殷实，花了大量财力对孩子培优，让孩子靠成绩以外的才艺获得减分机会。殊不知，同事是个贫困家庭，其子的童年是没有玩具，没上过幼儿园，口袋里没有半毛钱的苦难童年，上学之后更是没有上过任何培优班，辅导班，补习班的学生，其书本知识之外的琴棋书画，，，从未涉及，能获得名校减20分的招录名额，靠的就是扎实的学习功底。能进入这样的好大学，家长非常感激高校的自主招生，是它客观公正的评价了其子的学习能力，成绩。高校的自主招生对于莘莘学子而言其意义是不言而喻的，是门径，但绝不是捷径。

建议孩子去大学的实验室跟着做一段时间科研，如果真不错，实验室发文章可以署孩子的名字。这个在美国是有的。前提是孩子表现真不错，有潜力。但是这样的孩子一般考985大学应该没有问题。

《2017年人工智能自主编程的最新进展有哪》由：互联网用户整理提供；
链接地址：/show/305517.html
转载请保留,谢谢!

• 上一篇：2021年计算机本科毕业论文和毕业设计一
• 下一篇：计算机专业论文要写多少字