介绍了深度学习在软件工程中的应用,着重讨论了源代码的预训练模型,并展望了未来的研究方向。
May, 2022
通过系统文献综述,本文旨在阐述在软件工程 (Software Engineering) 领域中提高人工智能模型可解释性的方法,并总结了已有研究的挑战和未来的研究方向。
Jan, 2024
这篇论文探讨了人工智能引领的自动化和人类创新之间的相互作用,以及如何将人工智能顺利整合到软件工程中并保持其固有的人类创造力。
Jun, 2024
软件工程领域正在经历一场范式转变,人工智能系统如 LLMs 日益重要,提高软件开发生产力,未来五年,人类开发者与人工智能之间将会有日益增长的共生伙伴关系,软件工程研究社区必须重视这一趋势,我们需要解决将人工智能融入软件开发过程带来的关键研究挑战,本文提出我们对于 AI 主导软件开发领域未来的愿景,并探讨了研究社区在实现这一愿景上应该解决的关键挑战。
应用机器学习技术研究软件工程领域的现状,特别关注软件质量保证、软件维护、软件理解和软件文档等方面。
深度学习软件工程 (SE4DL) 是在深度学习软件上应用软件工程 (SE) 实践的一个新领域,本研究调查了在应用 DL 项目中采用的常规 SE 工具和 MLOps 工具的使用情况,并发现常规 SE 工具的使用比 MLOps 工具更为普遍,进一步的研究推荐关注开源项目对 MLOps 工具的采用情况以及如何促进已有工具的使用。
Oct, 2023
本文旨在通过分析机器学习在软件工程中的最佳实践,填补现有文献不足的空缺,并针对机器学习应用所面临的挑战和开发过程,提出一系列以软件工程视角为基础的建议。
Apr, 2023
软件工程领域的未来将依靠人工智能技术(AI4SE)的发展,以提升开发者的生产力、提高软件质量,并实现可信赖和协同工作的目标。
Sep, 2023
机器学习和基础模型的最新进展正在改变现有软件工程过程的前沿,本文考虑了采用环境友好实践创建 AI 软件系统的影响,并对使用基础模型进行软件开发的环境影响进行了讨论。
利用联邦学习技术,我们提出一个治理框架以促进开源人工智能模型的共同开发和维护,确保数据隐私和安全,解决开源人工智能软件工程工具在获取组织资源时面临的障碍。我们还提供开发者的指南,包括数据需求、模型架构、更新策略和版本控制,以促进基于人工智能的软件工程工具的合作。此外,我们的研究还探讨了代码数据异质性对联邦学习性能的影响。
Apr, 2024