Aug, 2022

关键问题的答案是否改变？将错误和代码变更的描述相关联以评估补丁的正确性

PDF
TL;DR本论文提出了一种新的角度来解决补丁正确性评估问题，并利用自然语言处理和神经网络来学习和预测补丁是否正确，取得了 0.886 的 AUC 值和 93% 的正确率。
发现论文，激发创造
  • 通过神经机器翻译在野外学习修复错误补丁的实证研究

    通过挖掘 GitHub 上项目代码的变更历史记录，使用神经机器翻译技术进行修复漏洞的学习，设计并训练了一个 Encoder-Decoder 模型，可以在瞬间模仿各种不同的 AST 操作，并生成候选修复程序，可在实际环境中修复数以千计的独特故障方法，并预测出开发人员生成的固定补丁的 9-50%。

    Dec, 2018

  • 使用自然语言补丁修复模型缺陷

    通过自然语言补丁，我们能够提供正确的抽象层次，从而为 NLP 模型提供更准确的校正反馈，此任务与整合补丁信息的任务可以分开，使用少量的合成数据来教导模型，能有效地使用实际数据上应用的补丁，使用 1 至 7 个补丁可以提高情感分析数据集上～1-4 的准确性点和关系提取数据集上 F1 7 点的精度，最后我们展示了即使有 100 个从标签数据示例微调模型，与一组小的语言补丁相比，也需要更多的时间。

    Nov, 2022

  • 基于失败测试用例的相似度预测补丁的正确性

    利用未监督学习的深度表示学习模型来预测 APR 中补丁的正确性，通过历史类似测试用例的补丁和失败测试用例的相似度指标来评估生成补丁的正确性，并与现有方法进行比较。

    Jul, 2021

  • 利用开发者讨论引导软件缺陷修复

    使用自然语言建模从 Bug 报告讨论中提取上下文信息自动修复软件缺陷，比使用提交信息导致更好性能提升。

    Nov, 2022

  • 基于开发者讨论的学习式缺陷报告解决方案描述

    为加速缺陷解决，通过综合讨论中的相关内容，包括自然语言和源代码，生成简明的自然语言解决方案描述来解决实际的软件缺陷.

    Oct, 2021

  • 从源代码更改生成自然语言描述的神经网络架构

    通过代码提交信息和修改代码所产生的消息来训练一种编码器 — 解码器结构的模型，以自然语言自动描述程序中的变化，该方法在 12 个开源项目中进行了评估，并在标准项目设置和跨项目设置中展示了可行的和语义良好的描述。

    Apr, 2017

  • 修补即翻译：数据与隐喻

    本文探讨了将计算语言学等其他领域的机器学习模型用于软件工程任务的现象，特别针对代码修复任务所面临的挑战，并通过基于本身特点的原则性模型设计以及条件编辑代码综合方案的实现与效果验证，展示了如何优化这些模型，提高其效果，促进领域的进一步创新。

    Aug, 2020

  • Pachinko: 通过自然语言反馈修补可解释的问答模型

    通过分析问答模型生成的基于背景和问题的中间解释，我们研究了解不同形式的解释对用户修正和理解模型输出的影响，并通过用户研究证明了解释格式在用户反馈和模型执行反馈方面的重要性。

    Nov, 2023

  • 学习如何回答代码的语义查询

    本研究构建了一个名为 CodeQueries 的数据集，并提出了基于神经网络的代码语义查询系统，结果表明神经模型可以对代码语法错误进行容错，但代码规模增大、存在不相关的代码以及训练例子减少均会限制模型性能。

    Sep, 2022

  • 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