TL;DR
- v2 نوع اعلام:.
- جایگزین چکیده:.
- تعمیر خودکار برنامه (APR) تلاش میکند تا وصلههای درستی تولید کند و در دهههای گذشته توجه گستردهای را.
چه اتفاقی افتاد
v2 نوع اعلام:. جایگزین چکیده:.
تعمیر خودکار برنامه (APR) تلاش میکند تا وصلههای درستی تولید کند و در دهههای گذشته توجه گستردهای را. از سوی دانشگاه و صنعت به خود جلب کرده است.
با این حال،. APR به دلیل مجموعه تستهای ضعیف بهطور مداوم با مشکل بیش از حد برازش پچ دست و.
پنجه نرم میکند. بنابراین،.
برای رسیدگی به مشکل بیش از حد برازش،. جامعه تعداد فزایندهای از رویکردها را برای پیش بینی صحت وصله (رویکردهای APCA) پیشنهاد کرده است.
در میان آنها،. رویکردهای یادگیری عمیق محلی با هدف تطبیق خودکار طرحها به شدت در حال ظهور است.
چنین رویکردهایی معمولاً تکههای کد ورودی را در نمایشهایی با طراحی خوب رمزگذاری میکنند و یک مدل باینری. برای پیشبینی صحت میسازند.
علیرغم اساسی بودن دلیل در مورد صحت وصله، نمایش کد بهطور سیستماتیک مورد بررسی قرار نگرفته است. برای پر کردن این شکاف،.
ما اولین مطالعه گسترده را برای ارزیابی انجام میدهیم عملکرد نمایش کدهای مختلف در پیش بینی صحت. وصله از بیش از 500 مدل آموزش دیده APCA.
نتایج تجربی بر روی 15 معیار با چهار دسته و 11 طبقهبندی کننده نشان میدهد که نمایش کد. مبتنی بر نمودار که در ادبیات مورد بررسی قرار نگرفته است،.
بهطور مداوم از سایر نمایشها بهتر عمل میکند،. بهعنوان مثال،.
دقت متوسط 82. 6 ٪ برای CPG در سه مدل GNN.
علاوه بر این،. ما نشان میدهیم که چنین نمایشهایی میتوانند عملکرد قابل مقایسه یا بهتری را برای سه رویکرد مختلف APCA.
قبلی به دست آورند،. بهعنوان مثال،.
فیلتر کردن 87. 09 ٪ وصلههای اضافه برازش توسط TREETRAIN با AST.
ما همچنین دریافتیم که ادغام نمایش مبتنی بر توالی در بازنمایی مبتنی بر اکتشاف میتواند بهطور متوسط. 13.
5 ٪ بهبود را در پنج معیار ایجاد کند. بهطور کلی،.
مطالعه ما پتانسیل و چالشهای استفاده از نمایش کد برای استدلال در مورد وصله را برجسته می. کند صحت،.
در نتیجه قابلیت استفاده از ابزارهای APR را افزایش میدهد و تلاش توسعه دهندگان را در عمل. برای اشکال زدایی دستی کاهش میدهد.
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.