自动程序修复是减少开发人员手动调试努力并提高软件可靠性的关键。本文提出了一种新颖的检索增强型修补生成框架（RAP-Gen），通过明确利用从以前的错误修复对的代码库中检索出的相关修复模式来简化参数模型的负担，进而自动化程序修复过程。实验结果表明，RAP-Gen 在所有基准测试中显著优于先前的最先进方法，例如在 818 个 Defects4J 错误上修复了 15 个更多的错误。

Sep, 2023

FUSION 是一种新颖的解决方案，它通过静态和动态分析将用户提供的信息链接到测试或发布前提取的程序工件，帮助用户自动完成功能，从而用于移动应用中的缺陷报告的离线检测，该方法可以推广到其他移动软件平台，并且与传统的问题跟踪系统相比，在呈现更详细的上下文应用程序信息的同时，有效地促进了报告和更可靠的缺陷再现。

May, 2017

草案提出了 BugFarm，用于将任意代码转化为多个复杂的错误。BugFarm 利用 LLM（语言模型）在多个位置（难以修复）突变代码。为了确保多个修改不会显着改变代码的表示，BugFarm 分析了底层模型的注意力，并指示 LLMs 仅更改注意力最低的位置（难以检测）。我们对 BugFarm 生成的 320k + 错误进行了全面评估，这些错误是通过学习型错误预测方法难以检测到的，并且通过 SOTA（优秀的）学习型程序修复技术难以修复的。

Oct, 2023

本文批判了 Kim 等人的 PAR 方法，讨论了自动软件修复的评估标准（可理解性，正确性和完整性），说明了修复接受性与软件正确性之间的关系。

Aug, 2014

DeepDebug 是数据驱动的程序修复方法，其可以从 GitHub 代码库中挖掘的实际 Java 方法中学习检测和修复错误的方法。通过将错误修补构建为序列到序列的学习任务，它实现了两个步骤，即去噪预训练和有监督的微调。本方法显示出比以前的工作更好的异常检测能力，并且可以使用通用解析器进行语言无关的方法。

Apr, 2021

本研究提出 BugRMSys，结合历史 bug 报告和用户评价，利用自然语言文本嵌入技术在相同类别的移动应用程序之间进行协作式 bug 查找，从而快速暴露新应用程序中的问题。实验结果表明，成功发现、重现并报告了 20 个新漏洞。

Jan, 2023

提出了一种基于预训练编程语言模型 CodeT5 的新型统一 “Detect-Localize-Repair” 框架 CodeT5-DLR，它包括三个目标，即 bug 检测、定位和程序修复，并在 Java 和 Python 的两个新收集的行级调试数据集上进行了评估。结果表明，该模型在 NLP 和软件工程领域的现有基线上显著优于其他机器学习方法。

Nov, 2022

提出了一种自动化的方法 AutoCodeRover，将 LLMs 与复杂的代码搜索能力相结合，从而实现对 Github 问题的自主解决，进而实现程序改进。

Apr, 2024

本研究提出了一种自动修复常见代码错误的方法称为 Getafix，该方法通过学习从先前编写的代码修复中获取模式并建立一个从常规变得更具体的聚类层次结构。Getafix 能够在时间比调用静态分析结果所需的时间短的情况下生成人类般的修复并被 Facebook 工业部署。

Feb, 2019

本文介绍了 “搜索，对齐和修复” 数据驱动程序修复框架，旨在自动化初级编程练习的反馈生成，采用了大量的学生提交。该技术可在大型或 MOOC 规模的初级编程课程中使用，其结果表明，在平均 2 秒内，SARFGEN 系统可以为 89.7％不正确的学生提交生成简明有用的反馈，并已集成到 Microsoft-DEV204.1X edX 班级中，用于生产。

Nov, 2017