본 논문은 전이 학습 기반의 프로그램 합성(transductive program synthesis)이라는 새로운 프레임워크를 제시합니다. 기존의 프로그램 합성 방법들은 학습 데이터로부터 일반화하는 데 중점을 두어 실제 환경의 제한된 학습 데이터와 다양한 예외 케이스를 포함하는 테스트 입력에 취약하다는 한계점을 지녔습니다. 본 논문에서 제안하는 방법은 프로그램 출력으로 정의된 유한한 가설 집합에 대한 능동 학습으로 합성 문제를 해결하여 강건성을 향상시킵니다. LLM을 사용하여 선택된 테스트 입력에 대한 출력을 예측하고 일관성 없는 가설을 제거하며, 탐욕적인 맥시민 알고리즘을 통해 LLM 질의 횟수를 최소화합니다. Playgol, MBPP+, 1D-ARC, MiniGrid에서의 프로그래매틱 월드 모델링 등 네 가지 벤치마크에서 정확성과 효율성 모두를 크게 향상시켰음을 보여줍니다. 소스 코드는 깃허브에 공개되었습니다.
