按年被提到
20182023 · 2 次2026
数学、逻辑与理论›AI 数学与定理证明·arXiv:1809.02840 · cs.LG

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

开始阅读 ↗PDFalphaXiv 讨论
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. 1
    TerpreT: A Probabilistic Programming Language for Program InductionTerpreT:用于程序归纳的概率编程语言 · 2016

    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. 2
    DeepCoder: Learning to Write ProgramsDeepCoder:学习编写程序 · 2016

    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. 3

    把逻辑证明的合一与回溯做成可微,是神经与符号逻辑结合的相关路线。

    读抓神经定理证明器的基本思路,不必深究训练细节。

  4. 4
    Neural Message Passing for Quantum Chemistry面向量子化学的神经消息传递 · 2017

    目标论文使用的图神经网络模型属于消息传递框架。

    读抓消息传递与读出函数的统一形式。

  5. 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。

  6. 6
    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 · 2018 · 就是这篇

    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。

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remilouf · 2023-08

“But for alternative approaches that also use LLM (with miniKanren) you can check Neural Guided Constraint Logic Programming for Program Synthesis”

推荐神经引导的 miniKanren 程序合成作为替代方案
Show HN: LLMs can generate valid JSON 100% of the time原评论 ↗
引用abeppu · 2023-06

“ML + symbolic inductive synthesis:”

举例说明 ML 加符号归纳合成的工作
Compilers for the Future原评论 ↗
引用eihli · 2025-01

“Lately, I've been playing a lot with the code from Neural Guided Constraint Logic Programming for Program Synthesis [1].”

说最近一直在玩这篇论文的代码
What Is miniKanren?原评论 ↗