程序综合(符号程序的自动推理)有助于创建稳健、可解释和可验证的机器学习方法。最近在 arXiv.org 上的一篇论文提出了一个框架，用于使用自然语言监督提高学习程序合成的效率和泛化性。

语言允许交流搜索空间(在小五边形旁边绘制大六边形的指令将复杂任务分解为高级部分)和命名给定域中重要可重用概念的词典(例如前面示例中的多边形) )。

因此，建议同时学习可重用程序抽象库和启发式算法，以便在程序空间中进行搜索。该方法显着提高了字符串编辑、结构化图像生成和场景理解等任务的性能。

归纳程序综合，或从所需行为的示例中推断程序，为构建可解释、健壮和可推广的机器学习系统提供了通用范式。有效的程序综合取决于两个关键要素：构建程序的强大函数库，以及用于查找解决给定任务的程序的有效搜索策略。我们介绍了 LAPS(抽象和程序搜索语言)，这是一种使用自然语言注释来指导库和神经引导搜索模型的联合学习以进行综合的技术。当集成到最先进的图书馆学习系统 (DreamCoder) 中时，LAPS 可以生成更高质量的图书馆，并提高三个领域的搜索效率和泛化能力——字符串编辑、图像合成、