Apr, 2021

SYNFIX: 使用编译器诊断自动修复语法错误

PDF
TL;DR使用机器学习的自动修复工具 SYNFIX 大幅度提高了代码修复的效果，并整合进了开源的 Visual Studio Code 中。
syntax errorsmachine learningautomated repaircompiler diagnosticsvisual studio code
发现论文，激发创造
  • 使用循环神经网络自动纠正编程作业中的语法错误

    使用递归神经网络 (RNNs) 生成自动化反馈以修复编程任务中的语法错误，可以完全修复 31.69% 的提交并部分修正 6.39% 的提交。

    Mar, 2016

  • 利用神经符号转换网络进行语义化代码修复

    通过使用语义修复的统计模型和神经网络，我们的研究成功地预测代码中的错误位置，并将其修复，从而提高了修复的准确性。

    Oct, 2017

  • 基于图形的自监督程序修复技术，利用诊断反馈

    本文提出了一种基于程序 -- 反馈图的图神经网络及一种用非监督学习方法构建大量程序修复样例的自监督学习范式。最终应用的 DrRepair 算法在两个应用领域上都取得了比之前的工作更好的修复效果。

    May, 2020

  • 利用大语言模型为编程语法错误生成高精度反馈

    本文介绍了使用大型编程语言模型（LLMCs 和 Codex）来生成高精度、人类可理解的反馈，以帮助初学者在 Python 编程中解决语法错误等问题，并且提出了一种新的运行时验证机制，这种机制能够为教育者提供一个调节精度的旋钮，确保反馈的准确性。通过两个真实数据集的评估表明，这个技术能够在生成高精度反馈方面取得良好的效果。

    Jan, 2023

  • Getafix：自动修复错误学习

    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

  • 针对初级编程任务的自动反馈生成

    我们提出了一种自动为入门编程问题提供反馈的新方法，该方法利用参考实现的任务和由可能制造的错误组成的错误模型。

    Apr, 2012

  • 使用预训练 Transformer 生成错误修复

    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

  • 深度强化学习用于编程语言纠错

    针对初学者编程者在编程语言上的困惑，通过一种新颖的基于强化学习的编程语言纠错框架，利用专家演示以及自我探索等方式进行训练提升，使得其对有错误的程序进行更好的修复，相对于最先进的工具 DeepFix 在修复错误和更多的编译器错误信息上提高了 14% 和 29%

    Jan, 2018

  • SUT: 转换器模型的主动缺陷探测

    自动程序翻译具有巨大的应用价值，但当前的翻译模型在基本的语法错误方面仍存在问题。本论文介绍了针对编程语言翻译的新指标和一套包括高度可解释的评估工具的测试套件，实验证明即使是像 ChatGPT 这样强大的模型在基本单元测试上也存在错误。

    Oct, 2023

  • 基于大语言模型的全自动编程

    本文探讨了使用 Large Language Models 进行程序合成时，实现 Synthesize，Execute，Debug 方法的方法，包括替换或修复故障程序，以及不同基于模板和基于模型的提示生成技术，取得了比传统方法更好的表现。

    Apr, 2023