“But for alternative approaches that also use LLM (with miniKanren) you can check Neural Guided Constraint Logic Programming for Program Synthesis”
按年被提到
20182023 · 2 次2026
Neural Guided Constraint Logic Programming for Program Synthesis
用于程序合成的神经引导约束逻辑编程
Lisa Zhang, Gregory Rosenblatt, Ethan Fetaya, Renjie Liao, William E. Byrd, Matthew Might, Raquel Urtasun, Richard Zemel · 2018
用神经网络引导 miniKanren 搜索,从示例合成程序
被推荐 · 3 人首次 2023-06-20 · 最近 2025-01-02
3不同的人
3活跃月份
3讨论串
19被引(OpenAlex)
论文针对“由输入输出示例编程”(PBE)问题,用神经网络模型来引导约束逻辑编程系统 miniKanren 的搜索。关键在于神经模型以 miniKanren 的内部表示作为输入,该表示把 PBE 问题表达为由示例施加的递归约束;作者探索了循环神经网络和图神经网络两种模型,并贡献了一个可由外部智能体驱动的改版 miniKanren。结果表明这种神经引导加约束的方法在很多情况下合成程序更快,且能推广到更大的问题。
HN 为什么提它
评论者在谈把 LLM 与符号方法结合时,把它当作“神经引导加约束逻辑编程”的另一条路线,也有人说自己正在动手玩它的代码。
方法难度 4 / 5约 50 分钟经得起时间
读之前最好知道
1程序合成与示例编程(Programming by Example)
2miniKanren 与约束逻辑编程
3循环神经网络与图神经网络
4搜索与启发式引导
学习路径
读这篇之前,按顺序读书架上的 5 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出这条路径帮我建立神经引导程序合成与图神经网络的背景:先看从示例合成程序的神经方法,再看用图网络处理约束的思路。
- 1
对比各类归纳式程序合成的推断算法,说明纯搜索与神经方法的差异。
读抓 TerpreT 如何把程序归纳问题写成统一的领域专用语言,及各推断后端的比较。
- 2
用神经网络预测程序性质来引导基于输入输出示例的搜索,与目标论文的思路最接近。
读抓神经网络如何给搜索提供先验,以及与枚举搜索结合的方式。
- 3
- 4
- 5
用图网络学习在约束问题上做搜索,与对 miniKanren 的约束表示做神经引导同类。
读抓如何把约束编码成图并用消息传递预测结果。
- 6Neural Guided Constraint Logic Programming for Program Synthesis
用 RNN 与图神经网络读取 miniKanren 的内部约束表示,引导其搜索。
读抓 miniKanren 把示例变成递归约束的方式、可由外部智能体驱动的改动,以及 RNN 与 GNN 两种模型的比较。