Processing may take a few seconds...

Dissertation

Title

Machine Learning and Formal Verification for Acquisition of Knowledge in Heuristic Program Synthesis

Authors

[ 1 ] Instytut Informatyki, Wydział Informatyki i Telekomunikacji, Politechnika Poznańska | [ P ] employee

Promoter

[ 1 ] Instytut Informatyki, Wydział Informatyki i Telekomunikacji, Politechnika Poznańska | [ P ] employee

Reviewers

Title variant

PL Uczenie maszynowe i formalna weryfikacja dla pozyskiwania wiedzy w heurystycznej syntezie programów

Language

english

Keywords
EN
  • genetic programming
  • formal verification of software
  • machine learning
  • program synthesis
PL
  • programowanie genetyczne
  • formalna weryfikacja oprogramowania
  • uczenie maszynowe
  • synteza programów
Abstract

EN In this thesis, we present and evaluate our techniques for efficient heuristic program synthesis based on genetic programming (GP). The common theme among our approaches is that various kinds of information (knowledge) are collected during runtime or a separate training phase, and then are used to guide GP search. Three of the described techniques, i.e., Evolutionary Program Sketching, Counterexample-Driven GP, and Counterexample-Driven Symbolic Regression, use formal verification/synthesis to either find locally optimal code fragments, or discover counterexamples exposing incorrect behavior of candidate programs. The fourth approach, Neuro-Guided GP, uses machine learning to learn the probability distribution of program instructions given input-output examples, and then uses it to bias variation operators of GP. The computational experiments show that all presented methods outperform or provide some advantages over existing state of the art methods.

PL W rozprawie przedstawiamy i analizujemy opracowane przez nas techniki efektywnej heurystycznej syntezy programów opartej o programowanie genetyczne (GP). Wspólną cechą tych technik jest zdobywanie różnych rodzajów informacji w trakcie działania algorytmu lub odrębnej fazie uczenia. Trzy z opisanych podejść, Evolutionary Program Sketching, Counterexample-Driven GP i Counterexample-Driven Symbolic Regression, korzystają z formalnej weryfikacji/syntezy w celu znajdowania lokalnie optymalnych fragmentów kodu lub odkrywania kontrprzykładów prezentujących niepoprawne działanie generowanych programów. Czwarte podejście, Neuro-Guided GP, korzysta z technik uczenia maszynowego w celu odkrycia rozkładu prawdopodobieństwa instrukcji na podstawie przykładów wejście-wyjście, a następnie wykorzystuje go do ukierunkowania operatorów przeszukiwania w GP. Eksperymenty obliczeniowe wykazały, że prezentowane metody są konkurencyjne i oferują wiele zalet w porównaniu do rozwiązań dostępnych w literaturze.

Number of pages

157

OECD domain

computer sciences and computer science

KBN discipline

computer science

Full text of dissertation

Download file

Access level to full text

public

First review

Wojciech Jamroga

Place

Gdańsk, Polska

Date

04.04.2022

Language

polish

Review text

Download file

Access level to review text

public

Second review

Robert Schaefer

Place

Kraków, Polska

Date

17.03.2022

Language

polish

Review text

Download file

Access level to review text

public

Dissertation status

dissertation before defense

Place of defense

Poznań, Polska

Date of defense

20.05.2022

This website uses cookies to remember the authenticated session of the user. For more information, read about Cookies and Privacy Policy.