Słowa kluczowe

Informacje szczegółowe

Kategoria:

Publikacja w czasopiśmie

Typ:

artykuły w czasopismach recenzowanych i innych wydawnictwach ciągłych

Opublikowano w:

Biuletyn Wojskowej Akademii Technicznej nr 68, strony 15 - 32,
ISSN: 1234-5865

Język:

angielski

Rok wydania:

2019

Opis bibliograficzny:

Korzeniowski Ł., Goczyła K.: Artificial intelligence for software development — the present and the challenges for the future// Biuletyn Wojskowej Akademii Technicznej. -Vol. 68., iss. 1 (2019), s.15-32

DOI:

Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.5604/01.3001.0013.1464

Bibliografia: test

1. Gottschlich J., Solar-Lezama A., Tatbul N., Carbin M., Rinard M., Barzilay R., Amara- singhe S., Tenenbaum J.B. and Mattson T., The Three Pillars of Machine-Based Programming, arXiv:1803.07244v1, https://arxiv.org/pdf/1803.07244.pdf, 2018 [accessed: 25.10.2018]. otwiera się w nowej karcie
2. Kant N., Recent Advances in Neural Program Synthesis, arXiv:1802.02353v1, https://arxiv.org/ pdf/1802.02353.pdf, 2018 [accessed: 25.10.2018].
3. Gulwani S., Automating String Processing in Spreadsheets Using Input-Output Examples, PoPL'11, https://www.microsoft.com/en-us/research/wp-content/uploads/2016/12/popl11-synthesis.pdf, 2011 [accessed: 25.10.2018]. otwiera się w nowej karcie
4. Chen X., Liu C., Shin R., Song D., Chen M., Latent Attention For If-Then Program Synthesis, NIPS'16 Proceedings of the 30th International Conference on Neural Information Processing Systems, 2016, 4581-4589. otwiera się w nowej karcie
5. Solar-Lezama A., Program Synthesis By Sketching, PhD thesis, EECS Dept., UC Berkeley, 2008. otwiera się w nowej karcie
6. Xu X., Liu C., Song D., SQLNet: Generating Structured Queries From Natural Language Without Reinforcement Learning, arXiv:1711.04436, https://arxiv.org/pdf/1711.04436, 2017 [accessed: 25.10.2018].
7. Zhong V., Xiong C., Socher R., Seq2SQL: Generating Structured Queries from Natural Lan- guage using Reinforcement Learning, arXiv:1709.00103, https://arxiv.org/pdf/1709.00103, 2017 [accessed: 25.10.2018]. otwiera się w nowej karcie
8. Yaghmazadeh N., Wang Y., Dillig I., Dillig T., SQLizer: Query Synthesis from Natural Lan- guage, Proceedings of the ACM on Programming Languages, vol. 1, Issue OOPSLA, Article no. 63, 2017. otwiera się w nowej karcie
9. Neelakantan A., Le Q.V., Sutskever I., Neural Programmer: Inducing Latent Programs with Gradient Descent, arXiv:1511.04834, https://arxiv.org/pdf/1511.04834, 2016 [accessed: 25.10.2018]. otwiera się w nowej karcie
10. Reed S., de Freitas N., Neural Programmer-Interpreters, arXiv:1511.06279, https://arxiv.org/ pdf/1511.06279, 2016 [accessed: 25.10.2018].
11. Pavlinovic Z., Babic D., Interactive Code Snippet Synthesis Through Repository Mining, https:// www.semanticscholar.org/paper/Interactive-Code-Snippet-Synthesis-Through-Mining- Pavlinovic-Babic/1d02c510216726dc31b2b4c9d5e0ed446d7f5c76, 2013 [accessed: 25.10.2018].
12. Xin Q., Reiss S.P., Krishnamurthi S., Program Repair Using Code Repositories, https://www. semanticscholar.org/paper/Program-Repair-Using-Code-Repositories-Xin-Reiss/6c2e2805855 40773cca5e4e988610647d9e0f4aa, 2016 [accessed: 25.10.2018]. otwiera się w nowej karcie
13. Bornholt J., Torlak E., Scaling Program Synthesis by Exploiting Existing Code, https://www. semanticscholar.org/paper/Scaling-Program-Synthesis-by-Exploiting-Existing-Bornholt-Torla k/0a7879e50b69d4146cfa616d0be4bebd7bb47d41, 2015 [accessed: 25.10.2018]. otwiera się w nowej karcie
14. Gulwani S., Polozov O., Singh R., Program Synthesis. Foundations and Trends® in Programming Languages, 2017. otwiera się w nowej karcie
15. Manna Z., Waldinger R., Synthesis: Dreams => Programs, IEEE Transactions on Software Engineering, vol. SE-5, no. 4, 1979. otwiera się w nowej karcie
16. Manna Z., Waldinger R., A Deductive Approach to Program Synthesis, ACM Transactions on Programming Languages and Systems (TOPLAS), vol. 2, issue 1, 90-121, 1980. otwiera się w nowej karcie
17. Barrett C., Sebastiani R., Seshia S., Tinelli C., Satisfiability Modulo Theories, Handbook of Satisfiability, vol. 185 of Frontiers in Artificial Intelligence and Applications, 825-885, 2009. otwiera się w nowej karcie
18. Balog M., Gaunt A.L., Brockschmidt M., Nowozin S., Tarlow D., DeepCoder: Learning to Write Programs, arXiv:1611.01989, https://arxiv.org/abs/1611.01989, 2017 [accessed: 25.10.2018].
19. Hochreiter S., Schmidhuber J., Long Short-term Memory, Neural Computation, 9(8): 1735- 1780, 1997. otwiera się w nowej karcie
20. Lecun Y., Bottou L., Bengio Y., Haffner P., Gradient-Based Learning Applied to Document Recognition, Proceedings of the IEEE. 86. 2278-2324, 1998. otwiera się w nowej karcie
21. Kaiser Ł., Sutskever I., Neural GPUs Learn Algorithms, arXiv:1511.08228, https://arxiv.org/ pdf/1511.08228, 2015 [accessed: 25.10.2018].
22. Graves A., Wayne G., Danihelka I., Neural Turing Machines, arXiv:1410.5401, https://arxiv. org/pdf/1410.5401, 2014 [accessed: 25.10.2018].
23. Vinyals O., Fortunato M., Jaitly N., Pointer Networks, arXiv:1506.03134, https://arxiv.org/ pdf/1506.03134, 2017 [accessed: 25.10.2018].
24. Zeiler M.D., Fergus R., Visualizing and Understanding Convolutional Networks, arXiv:1311.2901, https://arxiv.org/pdf/1311.2901, 2013 [accessed: 25.10.2018].
25. Bach S., Binder A., Montavon G., Klauschen F., Müller K.R., Sam W., On Pixel-Wise Expla- nations for Non-Linear Classifier Decisions by Layer-Wise Relevance Propagation, PLoS ONE, 10(7): e0130140. https://doi.org/10.1371/journal.pone.0130140, 2015 [accessed: 25.10.2018]. otwiera się w nowej karcie
26. Montavon G., Bach S., Binder A., Samek W., Müller K.R., Explaining NonLinear Classification Decisions with Deep Taylor Decomposition, arXiv:1512.02479, https://arxiv.org/pdf/1512.02479, 2015 [accessed: 25.10.2018]. otwiera się w nowej karcie

więcej (26) mniej

Weryfikacja:

Politechnika Gdańska