Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmind6. Mai 2024 · Q005824

ExeDec: Execution Decomposition for Compositional Generalization in Neural Program Synthesis

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.

Kurz

Der vorliegende Bericht ist nur ein Auszug aus dem Abstract. Die Autoren stellen ExeDec vor, das Programmsynthese schrittweise über vorhergesagte Ausführungszwischenziele angeht, und berichten von besserer Syntheseleistung und kompositioneller Generalisierung als bei Baselines. Sprachmodelle hätten laut Abstract im Few-Shot-Programming-by-Example Schwierigkeiten; ExeDec-ähnliches Prompting könne helfen, doch der Auszug enthält keine Messwerte oder Versuchsdetails.

Mittel

Der vorliegende Bericht ist ein Auszug aus dem Abstract, ergänzt um Autoren- und Veranstaltungsangaben; der vollständige Artikel liegt nicht vor. Die Autoren untersuchen, ob neuronale Programmsynthese gelernte einfache Teilaufgaben zu Lösungen für komplexere Aufgaben verbinden kann. Sie beschreiben verschiedene Formen dieser kompositionellen Generalisierung und erstellen einen Meta-Benchmark mit Aufgaben für RobustFill und DeepCoder.

Ihr Verfahren ExeDec zerlegt die Lösung in Schritte und sagt Ausführungszwischenziele voraus, wobei die Programmausführung jeden Schritt leitet. Laut Abstract verbessern von Grund auf trainierte Transformer damit sowohl ihre Syntheseleistung als auch ihre kompositionelle Generalisierung gegenüber Baselines. Die Autoren berichten außerdem, dass Sprachmodelle im Few-Shot-Programming-by-Example bei kompositioneller Generalisierung Schwierigkeiten haben; ExeDec-ähnliches Prompting könne die Generalisierung und Gesamtleistung steigern. Der Auszug enthält keine Messwerte oder ausreichenden Versuchsdetails, um diese Ergebnisse genauer zu beurteilen. Veröffentlicht wurde der Beitrag laut Quelle bei ICLR 2024.

Ausführlich lesen

Der vorliegende Bericht ist ein Auszug: Er enthält den Abstract sowie Angaben zu Autorinnen und Autoren und zur Veröffentlichung, nicht den vollständigen Artikel. Untersucht wird, ob neuronale Programmsyntheseverfahren gelernte, einfachere Teilaufgaben zu Lösungen für komplexere Aufgaben zusammensetzen können. Die Autoren bezeichnen diese Fähigkeit als kompositionelle Generalisierung und beschreiben mehrere dafür wünschenswerte Formen. Daraus erstellen sie einen Meta-Benchmark mit Generalisierungsaufgaben für die Datensätze RobustFill und DeepCoder.

Als neue Synthesestrategie stellen sie ExeDec vor. Das Verfahren soll bei der Lösung eines Problems schrittweise Ausführungszwischenziele vorhersagen und sich dabei an der Programmausführung orientieren. Laut Abstract erzielen von Grund auf trainierte Transformer mit ExeDec bessere Syntheseleistungen und eine deutlich stärkere kompositionelle Generalisierung als die verglichenen Baselines.

Außerdem berichten die Autoren, dass große Sprachmodelle in einem Few-Shot-Setting bei Programming-by-Example Schwierigkeiten mit kompositioneller Generalisierung haben. Eine an ExeDec angelehnte Prompting-Methode könne diese Fähigkeit und die Gesamtleistung verbessern. Der Auszug nennt jedoch weder konkrete Messwerte noch Einzelheiten zu Versuchsaufbau, Vergleichsverfahren oder Einschränkungen. Die Aussagen zu den Ergebnissen lassen sich anhand des bereitgestellten Abstracts daher nicht weiter prüfen. Der Beitrag erschien laut Quelle bei ICLR 2024.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19 ungeprüft

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 7 von 7
Angezeigte Modelle
Tempo und Grenzen
Vertrauen in Modelle

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →