Apr, 2021

人工智能翻译中的人类与 AI 合作：完美无需必要？

PDF
TL;DR本文探讨采用无监督神经机器翻译生成源代码，如何应对编译和逻辑错误，通过实验发现置信度亮显和备选翻译等 UI 设计在增强软件工程师的使用体验方面起到了重要作用。
generative modelsunsupervised neural machine translationsource codesoftware engineeringapplication modernization
发现论文，激发创造
  • 神经机器翻译用于代码生成

    本文综述了 NMT 在代码生成中的应用，包括自然语言描述、二进制或汇编语言、源代码部分表示和其他语言的源代码等方面的输入。并且列举了已经探索的多种不同的方法和模型架构、优化技术、数据集和评估方法，最后讨论了现有方法的局限性和未来研究方向。

    May, 2023

  • 通过神经机器翻译学习有意义的代码变化

    通过定量和定性的研究，本研究探究了神经机器翻译（NMT）模型学习开发人员在向量请求中实现的代码更改的能力，在上下文较小的范围内（即，小 / 中型方法对在请求之前 / 之后进行更改的情况下），它能够自动复制 36％的情况

    Jan, 2019

  • 生成式神经机器翻译

    介绍了生成神经机器翻译（GNMT）的概念，通过添加潜在变量提高翻译模型的语义建模能力，从而实现跨语言翻译，半监督学习以及降低过拟合的效果。

    Jun, 2018

  • 基于机器学习的程序翻译：风险与前景

    利用无监督机器学习和基于规则的程序变异引擎，解决程序翻译失败的问题，提高翻译准确性，并在未来实现具有编程领域知识的端到端程序翻译工具。

    Feb, 2023

  • 多模态学习编辑源代码

    该研究以三种信息模式来自动生成基于多模态神经机器翻译编辑代码。通过深入研究和分析显示：开发人员的提示作为输入模式可以缩小补丁搜索空间，并在 Top-1 位置生成正确的修补程序，从而胜过现有模型。

    Aug, 2021

  • 使用生成式人工智能实时增强编程错误消息

    应用生成式人工智能技术改善编程问题、错误信息及自动化评估工具的可用性。

    Feb, 2024

  • AI 辅助编码：GPT-4 实验

    本文使用 GPT-4 进行了多项实验来生成计算机代码，发现 AI 编码工具需要人类的验证才能确保准确性和可靠性。同时，使用 GPT-4 进行代码改进可以显著提高代码质量，但生成的测试仍需要人类验证。

    Apr, 2023

  • 谷歌的神经机器翻译系统：弥合人类翻译和机器翻译之间的差距

    Google 发布的 GNMT 神经机器翻译系统采用 LSTM 深度学习网络，使用 attention 机制和残差连接，借助词元素 (wordpieces) 将单词划分为子单元，提高了稀有单词处理能力与整体系统精度。

    Sep, 2016

  • 推进以诚信为核心的人工智能：神经机器翻译中的道德挑战和解决方案

    该论文讨论了神经机器翻译系统中人工智能所面临的伦理挑战，强调开发人员确保公平性和文化敏感性的必要性。通过实证研究和文献综述，我们考察了神经机器翻译开发的各个阶段中涉及的伦理问题，包括数据处理、隐私、数据所有权和同意。此外，我们还研究了正义和公平问题，探讨了人工智能系统与人类之间责任的分配，并强调人类监督在维护神经机器翻译伦理标准方面的重要作用。最后，我们还从圣经角度讨论了神经机器翻译的社会影响以及开发者更广泛的伦理责任，将他们视为对自己创造物的社会后果负责的守护者。

    Apr, 2024

  • 来自非母语者的文本的神经机器翻译

    本研究研究神经机器翻译系统中的数据噪声问题以及如何通过增加包含人工引入的语法错误句子的训练数据来提高其对错误的鲁棒性，同时提出了一套用于测试神经机器翻译在处理语法错误上的 JFLEG 语法纠错语料库的西班牙语翻译。

    Aug, 2018