arXiv cs.AI· Mohamed Ghanem, Bernd Finkbeiner·· 10 小时前AI 评分31
用路径签名做执行轨迹到程序归纳：log-signature 编码器在 Karel、List、RASP 上超越 LSTM、Transformer 与 Fourier 基线
The Shape of a Program: Path Signatures for Trace-to-Program Induction
AI 导读
研究者提出用粗糙路径理论做程序归纳，将执行轨迹视为高维粗糙路径并用路径签名变换编码，其期望可刻画程序所诱导轨迹的分布。在 Karel、List、RASP 三个程序归纳任务上，log-signature 轨迹编码器几乎在所有设置下优于 LSTM、Transformer 和 Fourier 基线，训练数据稀缺时优势最大。该编码器还诱导出更可解释的潜在几何——每个状态的最近邻都落在其自身的执行轨迹上。
正文 · AI 翻译
摘要：从执行轨迹中合成程序是算法可解释性和复杂系统逆向工程中的一项基本挑战。我们将粗路径理论视角引入程序归纳，把执行轨迹视为高维粗路径，并用路径签名变换对其进行编码；路径签名变换是随机分析中的一种工具，其期望可证明地表征程序所诱导轨迹的分布。在 Karel、List 和 RASP 这三个程序归纳领域上，我们的对数签名轨迹编码器在几乎所有设置中都优于 LSTM、Transformer 和傅里叶基线，且在训练数据稀缺时优势最大。我们进一步观察到，从轨迹到程序的流水线天然具有收缩性：它常常生成比真实程序更短的有效程序。我们将其转化为一种自举过程，在无需任何外部 oracle 的情况下揭示真实监督中的冗余，并在注入冗余的数据集版本上进行了演示。最后，对数签名编码器诱导出的潜在几何结构比基线明显更具可解释性，其中每个状态的最近邻都位于其自身的执行轨迹上。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.13005 [cs.LG] |
| （或 arXiv:2611.13005v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.13005 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Mohamed Ghanem [查看电子邮件]
[v1]
2026年11月8日星期日 19:53:00 UTC（255 KB）
来源：arXiv cs.AI · arxiv.org