按年被提到
20182018 · 2 次2026
软件工程与 AI 编程›代码生成与程序合成·arXiv:1802.02353 · cs.AI

Recent Advances in Neural Program Synthesis

神经程序合成的最新进展
Neel Kant · 2018

综述神经网络做程序合成与程序归纳的问题、模型演变与前景

开始阅读 ↗PDFalphaXiv 讨论
被推荐 · 4 人首次 2018-02-10 · 最近 2020-01-16
4不同的人
4活跃月份
4讨论串
19被引(OpenAlex)

先说明程序合成的问题设定和挑战,再梳理程序归纳模型的演变:它们取得了哪些成功、遇到了哪些失败、又如何被重新设计。最后将程序合成与现有方法做对比,并提出未来研究建议。

HN 为什么提它

在讨论程序合成与用机器学习写代码时,HN 评论者把它当作这一领域较好的综述来引用。

综述难度 3 / 5约 40 分钟有时效性
读之前最好知道
1深度学习基础(RNN、注意力机制)
2程序合成基本概念
3强化学习基础

学习路径

读这篇之前,按顺序读书架上的 6 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出

先看序列输出、可微分计算机和程序归纳语言这些基础,再看 DeepCoder 与 Seq2SQL 等神经程序合成实例,之后读综述的整体脉络。

  1. 1
    Pointer Networks指针网络(Pointer Networks) · 2015

    指针网络让输出直接指向输入位置,是许多神经程序合成模型的组成部分。

    读用注意力指向输入位置作为输出的机制。

  2. 2
    Learning to Transduce with Unbounded Memory学习使用无界记忆进行序列转换 · 2015

    它给循环网络加上可微的栈与队列记忆,是神经程序归纳的重要路线。

    读可微栈、队列和双端队列的设计思路。

  3. 3
    TerpreT: A Probabilistic Programming Language for Program InductionTerpreT:用于程序归纳的概率编程语言 · 2016

    TerpreT 把程序归纳问题放到统一语言里比较不同推断方法,帮助理解可微与离散两类路线。

    读程序归纳问题的形式化,以及梯度下降与离散搜索等推断方式的比较。

  4. 4
    Programming with a Differentiable Forth Interpreter用可微分的 Forth 解释器编程 · 2016

    它用可微分的 Forth 解释器,让程序草图中的空位由数据学习,是可微分程序合成的代表。

    读程序草图与可微解释器的设计。

  5. 5
    DeepCoder: Learning to Write ProgramsDeepCoder:学习编写程序 · 2016

    DeepCoder 用神经网络指导程序搜索,是神经与符号搜索结合的代表。

    读领域专用语言与从输入输出示例预测程序属性的做法。

  6. 6

    Seq2SQL 把自然语言转成结构化查询,是语义解析方向的程序合成例子。

    读利用 SQL 结构分解输出,以及用强化学习优化执行结果。

  7. 7
    Recent Advances in Neural Program Synthesis神经程序合成的最新进展 · 2018 · 就是这篇

    在这些具体模型的基础上,看综述如何梳理程序合成与程序归纳的问题和模型演变。

    读程序合成与程序归纳的区别、各类模型的分类与未来方向。

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
推荐tree_of_item · 2018-09

“For a review of recent work in both, see Recent Advances in Neural Program Synthesis”

推荐它作为近期神经程序合成与归纳工作的综述
Ask HN: Is anyone working on ML based code/program generation?原评论 ↗
推荐exdsq · 2020-01

“This paper [0] is a pretty decent survey on the field”

认为这篇是该领域相当不错的综述
Ask HN: Ever worked with a service that can never be restarted?原评论 ↗
引用painful · 2019-03

“modern machine learning techniques which are capable of program synthesis: Recent Advances in Neural Program Synthesis”

以它说明现代机器学习已能做程序合成
Ask HN: Immortal software: how would you write it?原评论 ↗
被提交为 story · 1 次