May, 2022

利用因果推断进行可解释的自动程序修复

PDF
TL;DR本文介绍了一种名为因果程序修复（CPR）的可解释性方法，该方法基于序列到序列模型和因果推断，可以在自动程序修复的过程中生成决策解释的相关组成部分、通过数据增广来推断这些关系、生成响应的令牌图，并解决划分问题。实验表明，CPR 可以生成合理的解释因果图，并提高自动程序修复的错误修正性能。
automatic program repairinterpretabilitysequence-to-sequence modelscausal inferencedata augmentation
发现论文，激发创造
  • 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

  • SequenceR: 端到端程序修复的序列到序列学习

    本文以序列到序列学习为基础，提出了一种全新的端到端程序修复方法。通过利用复制机制克服大型代码中出现的无限词汇问题，使用数据驱动的 SequenceR 系统在开放源代码上进行了评估和评测，有效地从 Defects4J 基准中找到正确的补丁。

    Dec, 2018

  • 解释黑盒序列到序列模型预测的因果框架

    采用黑盒结构化输入输出模型进行预测并通过干扰输入生成相关性图和解决分割问题来解释黑盒模型预测，着重于序列生成问题并采用变分自编码器来产生有意义的干扰，我们在多个 NLP 序列 - 生成任务中测试了该方法。

    Jul, 2017

  • 基于因果代理模型的概念模型解释

    本文旨在探讨对于自然语言处理系统的解释方法中存在的因果推理问题，提出了一个新的 Causal Proxy Model (CPM) 方法，它可以通过近似反事实样本来创建强大的因果解释模型，解释模型性能与黑盒模型类似甚至更好。

    Sep, 2022

  • 神经网络稳健可解释性的因果分析

    本文提出了一种基于因果分析的鲁棒性干预方法，以捕获神经网络内部的因果机制，从而审核模型行为，获得更加稳定和可信的解释，该方法适用于图像分类等任务。

    May, 2023

  • NARRepair: 自动程序修复的非自回归编码生成模型

    采用非自回归方法 (NAR) 的自动程序修复 (APR) 技术 (NARRepair) 可在并行方式下输出目标代码，从而避免大量的推理延迟，同时提高修复精度。

    Jun, 2024

  • 因果关系基础下神经网络修复

    提出了一种基于因果推理的神经网络修复技术 CARE，该技术可以有效地修复神经网络，使其满足公平性、安全性等性质，平均提高了 61.91% 的公平性，并将攻击成功率从 98% 以上降至 1% 以下。

    Apr, 2022

  • 基于代码审查的自动化程序修复：预训练 Transformer 模型的表现如何？

    探究如何利用预训练语言模型对自动程序修复进行改进，研究表明采用 PLBART 和 CodeT5 两种预训练模型 Fine-Tune 后，能在自然语言的程序修复数据集上显著提高性能，其中预训练机制对性能提升至关重要。

    Apr, 2023

  • 学习增强的网络物理系统的因果修复

    本文针对具有学习能力组件的赛博物理系统（CPS）中的运行时属性违规进行因果诊断，构建了一个反事实版本的组件来修复确定存在的问题行为，最后通过在开放智能接口（OpenAI Gym）基准上对学习控制器进行了成功的修复。

    Apr, 2023

  • 程序作为黑盒解释

    本文提出了使用程序作为模型无关解释的方法，通过基于模拟退火的原型程序归纳方法，对黑匣子分类器进行本地行为的近似，生成的解释对于多个分类器具有直观性和准确性。

    Nov, 2016