RobustFill:噪声I/O下的神经程序学习
Jacob Devlin、Jonathan Uesato、Surya Bhupatiraju、Rishabh Singh、Abdel rahman Mohamed、Pushmet Kohli
第34届国际机器学习大会论文集,PMLR 70:990-9982017年。
摘要
自人工智能早期以来,人们就研究了根据某种规范自动生成计算机程序的问题。最近,“自动程序学习”的两种相互竞争的方法受到了极大的关注:(1)“神经程序合成”,其中神经网络以输入/输出(I/O)为条件示例并学习生成程序,以及(2)“神经程序归纳”,其中神经网络直接使用潜在的程序表示生成新的输出。在这里,我们第一次在大规模的真实世界学习任务中直接比较了这两种方法,并且我们还将其与基于规则的程序合成进行了对比,后者使用手工编写的语义来指导程序生成。我们的神经模型使用一个改进的注意力RNN来允许对可变大小的I/O对集进行编码,与之前最佳神经合成方法的34%准确率相比,在实际测试集上实现了92%的准确率。在这项任务中,综合模型的表现也优于可比较的归纳模型,但我们更重要的是,每种方法的强度都高度依赖于评估指标和最终用户应用程序。最后,我们表明,我们可以训练我们的神经模型,使其对现实数据中预期的噪声类型(例如打字错误)保持非常稳健,而高度工程化的基于规则的系统则完全失败。
引用本文
相关材料