Bayesian Program Synthesis（BPS、ベイズ的プログラム合成）は、仕様やデータから自動的にコンピュータプログラムを生成するAIの手法であり、ベイズ統計的手法を用いる点が特徴です。従来のプログラミングや一般的な機械学習と異なり、BPSはプログラム合成の過程において不確実性と確率的構造を明示的に組み込みます。プログラム生成を確率的推論問題として捉え、観測データや事前知識に基づいて広大なプログラム空間からもっとも尤もらしいプログラムを推定します。BPSは、ベイズ推論の柔軟性と頑健性を活かし、決定論的手法とは異なる適応的かつインクリメンタルな学習統合型プログラムの自動生成を可能にします。

BPSは、確率文法やプログラム探索空間の定義、プログラム構造やパラメータへのベイズ的事前分布の設定、推論アルゴリズムによる効率的な空間探索といった流れで動作します。これにより、複雑な確率モデルや特定課題に適応したアルゴリズムの自動発見が実現されます。

ユースケースと利用例

データ分析モデルの自動生成、統計モデリングの自動化、構造化/非構造化データからの知識抽出、ロボティクスにおける実験計画や制御戦略の合成など、幅広い分野で応用されています。例えば、科学データにおける説明モデルの自動発見や、データサイエンス工程での最適スクリプト生成にも活用できます。

産業界では、カスタムソフトウェア開発の高速化、複雑なモデリング作業の自動化、適応戦略生成によるプロセス最適化などでBPSが利用されています。

主なソフトウェアツール・ライブラリ・フレームワーク

BPS関連の主要ツールには、柔軟な確率プログラミング言語のGen（MIT）、Anglican（Clojureベース）、Pyro（PyTorch）、Stan、Edward（TensorFlowベース）などがあります。これらは主に確率推論用ですが、一部BPS用途にも応用可能です。先端研究用途には、Bayesian Program Learning（BPL）や各種確率プログラミング言語も活用されています。

最新動向・発展・トレンド

近年は推論アルゴリズムの効率化、BPSとディープラーニングモデルの統合（記号的手法と統計的手法の融合）が進んでいます。また、合成プログラムの説明性・検証性向上、データサイエンスやAIにおける複雑タスク自動化への関心も高まっています。産業界でのBPSツール普及や、自律・適応型システムの中核技術としての活用も注目されています。