arXiv · ML· Nicolas Menet, Michael Hersche, Andreas Krause, Abbas Rahimi·· 9 小时前AI 评分23
测试驱动代码生成的理论分析：probabilistic framework 与 regret bound
A Theoretical Analysis of Test-Driven Code Generation
AI 导读
该论文提出概率框架，分析了测试驱动代码生成的两种范式，并证明了基于模糊功能相似度的估计器在信噪比上优于基于功能等价性的估计器。 研究者将 Backprompting 建模为 In-context Thompson sampling，推导了包含不可观测成分奖励函数的 regret bound，并使用 BigCodeBenchHard 等基准验证了结论。
来源：arXiv · ML · arxiv.org