Feb, 2023

语法和领域感知的无监督程序翻译模型

PDF
TL;DR本文提出了一种语法和领域感知的程序翻译模型 SDA-Trans，利用语法结构和领域知识来增强跨语言转移能力，采用较小规模的无监督语料库进行训练，实验结果表明 SDA-Trans 在 Python、Java 和 C++ 之间的函数翻译任务上表现优异，尤其是对于需要翻译看不见语言的情况。
software migrationautomatic program translationunsupervised trainingsda-transcross-lingual transfer ability
发现论文，激发创造
  • 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

  • 利用自动化单元测试进行无监督代码转换

    通过利用自动化单元测试系统过滤掉无效翻译从而创建一个完全测试的平行语料库，并利用这个过滤后的数据集对非监督模型进行微调，显著减少所产生的噪声，在 Java $ o$ Python 和 Python $ o$ C++ 方向上，与所有先前的最佳方法相比，分别取得了超过 16% 和 24% 的优异成绩，将错误率降低了超过 35%。

    Oct, 2021

  • 面向神经机器翻译的无监督领域自适应与领域感知特征嵌入

    提出一种通过使用语言建模来学习领域感知特征嵌入，在多个实验中提高神经机器翻译性能的方法，该方法允许使用者指定特定领域的文本表示。

    Aug, 2019

  • 编程语言的无监督翻译

    在这篇论文中，我们提出了使用无监督机器翻译的最新方法来训练一种全自动的神经源代码转换器，并演示了它在 C ++，Java 和 Python 之间以高精度翻译功能。

    Jun, 2020

  • 基于无监督领域自适应的方言搜索查询翻译

    该研究提出了一种无监督领域适应方法，用于翻译搜索查询，使用了基于公共语料库训练的开放领域翻译模型，并使用两种语言的单语查询来调整该模型以适应查询数据，最终改进了 Hindi 到英文查询翻译的性能。

    Aug, 2022

  • 无监督编程语言翻译：总结和生成到回译

    本文提出了通过代码摘要和生成实现反向翻译的方法，该方法通过自然语言（NL）摘要生成源代码，然后通过源代码再生成目标语言。结果表明，该方法与现有的最先进方法相比性能相当好。

    May, 2022

  • 通用源自由域自适应

    该研究提出了一种新的两阶段学习过程，以实现无监督域适应并实现源自由部署。在采购阶段，通过利用现有的源数据，在新颖的生成分类器框架中增强了模型拒绝源外分布样本的能力；在部署阶段，通过使用命名为源相似度度量的新型实例级加权机制，提出了一个简单而有效的源自由自适应目标，以设计一个统一的自适应算法，该算法可在各种范畴差异下运作，并实现了卓越的域适应性能。

    Apr, 2020

  • 程序翻译通过代码提取

    在本文中，我们提出了一种名为 Code Distillation（CoDist）的新模型，通过捕捉代码的语义和结构等价性，在语言不可知的中间表示中翻译代码，并通过构造并应用蒸馏编译器实现针对任何编程语言的并行语料库，从而在 CodeXGLUE 和 TransCoder GeeksForGeeks 翻译基准测试上实现了最新的性能，与 TransCoder-ST 相比，在 TransCoder GeeksforGeeks 翻译基准测试上平均绝对增加了 12.7%。

    Oct, 2023

  • 领域无关的先验知识在语义分割中的迁移

    本研究通过在源域和目标域约束特征，提出一种简单高效的无监督域自适应方法，即使用无领域先验 (DAP) 正则化交叉域表示学习，这种方法在将综合数据转移到真实数据的标准评估协议中，表现出优秀的语义分割准确性，对于提高模型的分类表现具有指导意义。

    Apr, 2022

  • AVATAR: 用于 Java-Python 程序翻译的并行语料库

    本文介绍了一个包括 Java 和 Python 的 8,475 个编程问题和解决方案的数据集，以及在此数据集上进行的基于监督学习的程序翻译模型的实验。实验结果表明，这些模型在词汇匹配方面表现良好，但在语法和数据流匹配方面表现出欠缺。

    Aug, 2021