Feb, 2024

用语义保持变换评估程序修复：一种自然性评估方法

PDF
TL;DR研究通过人工调查探讨了语义保持转换的自然性对 NPR（Naturalness of Program Repairs）系统评估的影响，发现 60% 的转换被认为是自然的，20% 的转换被认为是不自然的，这些不自然的转换对 NPR 系统的稳健性测试造成了 25.2% 的误报率，并且 NPR 系统在自然转换下的性能显著下降，提出了一种基于交叉熵的新的自然度度量标准，并成功实现了代码转换的自然度的自动评估。
naturalnesssemantic-preserving transformationsevaluationnpr systemsrobustness testing
发现论文，激发创造
  • 通过神经语言模型探索软件自然性

    本文探讨了利用预训练的基于 transformer 的语言模型来对代码进行分析任务的能力，通过对 transformer-based language model 进行 AST 标记任务，得出结论表明其在此任务上的表现较好，并在软件漏洞识别任务中与依赖于编译器的基于图形的方法相比，取得了可比拟的成果。

    Jun, 2020

  • 关于神经程序模型对语义保持程序转换的普适性

    本文通过对三个 Java 数据集和三种最先进的神经网络代码的比较，来评估神经程序模型在语义保持转换下的一般性，并发现神经程序模型在语法和外部形象不同但语义相同的程序上表现不佳。

    Jul, 2020

  • 在保持语义不变的转换下评估神经程序分析器的泛化能力

    本文通过大规模的评估，研究了两种常见的神经程序分析器的通用性，并发现在许多情况下神经程序分析器的泛化能力是有限的，这提供了研究神经程序分析器的鲁棒性的初步基础。

    Apr, 2020

  • NatGen: 自然化源代码的生成式预训练

    本文提出了一种新的预训练目标 —— 源代码的自然化，在大规模的自然代码库中通过引入非自然代码形式的六类语义保持变换，来训练生成等效但更加自然的代码，进一步提升了自然代码的统计学习能力，实现了三种软件工程任务的生成，翻译和细化，达到了 CodeT5 的水平。

    Jun, 2022

  • NAP^2：从人类学习的自然性和隐私保护文本重写基准

    通过删除敏感表达和抽象敏感细节，我们使用两种常见的人类策略对敏感文本进行了清理，以保护隐私，并开发了一个文本重写的工具，展示了更自然的重写结果和隐私保护与数据效用之间的平衡。

    Jun, 2024

  • 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

  • 迈向代码生成：语义解析的调查和教训

    本文概述了自然语言处理与程序语言之间翻译意图的研究进展，重点介绍了自然语言语义分析和程序逻辑综合的技术、神经符号方法、架构、监督方法以及代码生成的框架，并分析了该领域存在的一些尚未解决的问题。

    Apr, 2021

  • 学习自然编码约定

    NATURALIZE 是一个基于自然语言处理和机器学习的编程风格学习框架，用于自动学习代码库中的编程风格和提出对编程风格的修改建议，实验结果表明其在自动推荐变量名时精度为 94%（准确推荐了前四个选项中的一个），并针对 5 个开源项目成功生成了 18 个补丁。

    Feb, 2014

  • 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

  • NAPS: 自然程序合成数据集

    该研究提出了一个以人类编写的问题描述和方案为基础的程序综合数据集，并从编程竞赛的人工书面解决方案中提取程序解决方案，并附有输入 / 输出示例，希望使用该数据集进行编程合成任务，并为真实用户生成的数据提供帮助。作为基线，该研究提出了几个模型，最佳模型的准确率为 8.8％，展示了数据集的复杂性以及未来研究的巨大空间。

    Jul, 2018