arXiv cs.AI· Janis Zenkner, Tobias Sesterhenn, Tim Grams, Christian Bartelt·· 9 天前AI 评分22
Solver-Aware Decomposition：PBE 分解需匹配求解器搜索动态
Solver-Aware Decompositions for Programming-by-Example: When Dividing Requires Knowing how to Conquer
AI 导读
针对基于分解的 Programming-by-Example（PBE），研究者提出 Solver-Aware Decomposition（SAD）训练框架：在保留 GT 子目标监督作为结构支架的同时，用策略梯度对分解器在线优化，奖励信号为冻结学习合成器在目标程序上的交叉熵损失。
正文 · AI 翻译
摘要：基于分解的示例编程（PBE）通过将任务拆分为子任务并由学习到的合成器求解来扩展性能：分解器预测中间子目标，合成器根据这些子目标生成程序。诸如 ExeDec 之类的执行分解方法训练分解器模仿真实（GT）子目标，隐含地将分解质量视为任务固有的属性。我们质疑这一假设：对于具有固定归纳偏置的有界求解器，GT 分解反映的是标注者的因式分解选择——而非求解器的搜索动态。因此，一个被训练来匹配 GT 分解的分解器可能提出逻辑上有效但对求解器而言难以处理的子目标。我们提出求解器感知分解（SAD），这是一个训练框架，它保留对 GT 子目标的监督训练作为结构支架，同时额外使用策略梯度针对一个冻结的学习合成器在线优化分解器。每个采样的子目标由合成器在目标程序上的交叉熵损失给予奖励——这是一个关于子任务难度的连续信号，鼓励求解器能够处理的分解。我们的实验揭示了一个准确率悖论：与 GT 分解的更高一致性并不会提高合成成功率——即使合成器正是在分解器被优化去模仿的同一 GT 数据上训练的。SAD 转而学习以 GT 对齐换取求解器可处理性的分解，在两个 PBE 领域以及零样本迁移到外部列表处理基准上，在合成和端到端任务准确率方面均取得了一致提升。此外，SAD 能解决 GT 分解预言机失败的任务——这是在相同合成器和搜索过程下的经验证据，表明 GT 分解对有界求解器并非普遍最优。
| 评论： | 已被 NeurIPS 2026 接收 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2608.03461 [cs.AI] |
| （或使用 arXiv:2608.03461v2 [cs.AI] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2608.03461 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Janis Zenkner [查看电子邮件]
[v1]
2026年8月4日星期二 10:57:31 UTC（513 KB）
[v2]
2026年10月8日星期四 14:06:46 UTC（514 KB）
来源：arXiv cs.AI · arxiv.org