实时 Python API 推荐
本文提出了一种基于 API 方法使用者行为预测的自动参数推荐方法 ——ARIST,通过结合程序分析、语言模型以及具有专门化的功能的参数推荐特性,获取作为候选者的有前途参数,并对其进行评估,实验结果表明 ARIST 在 API 参数推荐方面相比现有方法有着更优秀的表现。
Jun, 2023
本研究介绍了一个智能代码补全系统 PyReco,它使用来自公共代码库的 API 用法来区分推荐结果的相关性,以取代传统字母顺序,并使用最近邻分类器来识别最佳匹配用法,以提供相关工作环境的建议。该系统在十倍交叉验证技术下的定量测试中表现优于按字母顺序排列的 API 推荐系统,适用于标准和第三方库。
Aug, 2016
大型语言模型在代码生成方面取得了杰出的表现,但对于库导向的代码生成仍然令人不满,尤其是对于 LLM 的训练数据中没有的库。为了解决这个问题,我们提出了 CAPIR(组合式 API 推荐),它采用了 “分而治之” 的策略来推荐粗粒度的需求所需的 API。通过在 RAPID 和 LOCG 两个基准测试上的实验结果,证明了 CAPIR 相对于现有基准方法的有效性。
Feb, 2024
Adversarial Robustness Toolbox 是一个 Python 库,旨在帮助开发者和研究人员保卫机器学习模型,使其更加安全可靠,包括对付针对模型的对抗样本的防御工具、攻击模块以及针对模型鲁棒性的验证方法和硬化方法等。
Jul, 2018
本文提出了一种名为 Pythia 的人工智能辅助代码自动补全系统,利用深度学习模型从抽象语法树中提取代码背景信息,实现高准确度的代码自动补全推荐,适用于 Visual Studio Code IDE 等编辑环境,其准确度较传统方法高 20%左右。
Nov, 2019
使用静态框架 WALA 对使用 TensorFlow 的机器学习代码进行静态分析和数据流分析,以跟踪张量的类型和用法,提高 Python 机器学习代码的错误检测能力。
May, 2018
本研究中,我们开发了 “预测信息增强随机搜索”(PI-ARS)方法,它结合了基于梯度的表示学习技术(PI)和基于梯度的无模型演化策略算法 (ARS),以训练能够处理复杂机器人感知输入和处理高度非线性机器人动态的策略。该方法在足够复杂且难以处理的视觉驱动机器人任务中得到验证,相比于 ARS 的基线算法,在学习效率和性能方面均有显著提升,实际应用中 100%的成功率大幅提高了之前 40%的效果。
Jul, 2022
ART 框架使用冻结的 LLM 自动生成中间推理步骤作为程序,并能无缝集成生成和外部工具使用,使得在 BigBench 和 MMLU 基准测试中,通过自动 CoT 和 few-shot 提示,ART 实现了对未知任务的实质性改进。在选定的任务上,人们可以通过纠正特定的程序错误或整合新工具来改善 ART 的性能.
Mar, 2023
通过自动生成敌对评估数据集,提供了一种新的方法,用于测试大型语言模型在新的下游应用中生成结果的安全性,为了减少人工工作量并能够更早地集成敌对测试,使用 AI 辅助的可重复和可定制的数据生成和增强流程,生成具有高内容特征多样性的评估数据集,结果显示与一些最先进的工具相比,在概念覆盖和数据质量方面具有很大的潜力。
Nov, 2023
本文介绍了一种基于深度相似性学习的层次神经网络模型,用于类型推断,以实现 Python 编程的机器学习自动类型补全。Type4Py 是一种新方法,它是在人工验证的类型检查数据集上训练和评估,其平均倒数排名为 77.1%,是现有方法 Typilus 和 TypeWriter 的改进。同时,作者还发布了 Visual Studio Code 插件以帮助开发者进行类型的自动补全。
Jan, 2021