结构化代码理解的深度学习模型综述
本文综述了深度学习在编码智能方面的应用,包括代码表示学习、深度学习技术和应用任务,并提供了一个适用于基于深度学习的编码智能模型快速原型设计的开源工具包。同时,公开发布了源代码和数据资源,以促进现有和未来编码智能模型的评估和比较,并指出了几个具有挑战性和有前景的研究方向。
Dec, 2023
该研究提出了一个统一的深度学习神经网络架构设计框架,以自然语言处理技术识别医疗文档中的文本信息并转换成医学编码,包括医学编码器、编码器结构、解码器和附加信息的应用等组成部分,然后总结了各种深度学习模型在该框架下的应用,并探讨了未来的研究方向及挑战。
Jan, 2022
神经编码智能 - 利用深度学习理解、生成和优化代码 - 在整个社会中具有巨大的潜力。这篇调查综述了代码智能领域的技术进展,并系统地回顾了过去几年来研究社区对这一领域的关注。
Mar, 2024
本综述对基于深度学习的图形生成方法进行了全面调查,并将其分为自回归,自编码,强化学习,对抗生成和流生成五类,给出了各类方法的详细描述,并介绍了公开源代码,常用数据集和最广泛使用的评估指标,最后强调了现有的挑战和讨论了未来的研究方向。
Dec, 2020
本研究探讨了预训练模型在代码处理中的广泛应用及其对识别语法结构、正确性、标识符、数据流和命名空间等方面的影响,并测试了使用给定目标进行预训练、模型大小变化以及微调的影响。
Feb, 2022
介绍了 “神经代码智能”(NCI)领域的基本情况,包括预训练技术、任务、数据集和模型结构;探讨了如何使用深度学习技术提高软件工程效率、减少人为错误,并为领域内未来研究提供启示。
Dec, 2022
这篇论文介绍了作者对现有预训练编程语言模型在理解代码结构方面的限制进行了全面的基准测试,并引入了一个大规模的数据集 CodeSyntax 来评估这些模型的性能,并揭示了自然语言和编程语言在理解语法结构方面的差异和重要性。
Oct, 2022
本研究利用编码器 - 解码器 Transformer 模型进行编码生成,使用诸如抽象语法树路径预测和数据流预测等辅助任务,结构感知地提高了生成代码质量,实现了代码翻译和文本到代码生成任务的最新性能状态。
Jun, 2022