論文の概要: MACER: A Modular Framework for Accelerated Compilation Error Repair

• arxiv url: http://arxiv.org/abs/2005.14015v1
• Date: Thu, 28 May 2020 14:00:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-27 04:53:24.027196
• Title: MACER: A Modular Framework for Accelerated Compilation Error Repair
• Title（参考訳）: MACER: コンパイルエラーの高速化のためのモジュールフレームワーク
• Authors: Darshak Chhatbar and Umair Z. Ahmed and Purushottam Kar
• Abstract要約: 本稿では,修復プロセスのモジュール分離に基づく誤り修正を高速化する新しい手法であるMACERについて述べる。 実験により、MACERが採用した微細なアプローチは、優れたエラー修正を提供するだけでなく、より高速なトレーニングと予測を提供することが示された。
• 参考スコア（独自算出の注目度）: 5.96356594215582
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automated compilation error repair, the problem of suggesting fixes to buggy programs that fail to compile, has generated significant interest in recent years. Apart from being a tool of general convenience, automated code repair has significant pedagogical applications for novice programmers who find compiler error messages cryptic and unhelpful. Existing approaches largely solve this problem using a blackbox-application of a heavy-duty generative learning technique, such as sequence-to-sequence prediction (TRACER) or reinforcement learning (RLAssist). Although convenient, such black-box application of learning techniques makes existing approaches bulky in terms of training time, as well as inefficient at targeting specific error types. We present MACER, a novel technique for accelerated error repair based on a modular segregation of the repair process into repair identification and repair application. MACER uses powerful yet inexpensive discriminative learning techniques such as multi-label classifiers and rankers to first identify the type of repair required and then apply the suggested repair. Experiments indicate that the fine-grained approach adopted by MACER offers not only superior error correction, but also much faster training and prediction. On a benchmark dataset of 4K buggy programs collected from actual student submissions, MACER outperforms existing methods by 20% at suggesting fixes for popular errors that exactly match the fix desired by the student. MACER is also competitive or better than existing methods at all error types -- whether popular or rare. MACER offers a training time speedup of 2x over TRACER and 800x over RLAssist, and a test time speedup of 2-4x over both.
• Abstract（参考訳）: 自動コンパイルエラー修正は、コンパイルに失敗するバグのあるプログラムの修正を提案する問題であり、近年は大きな関心を集めている。 汎用的なツールであるだけでなく、自動化されたコード修復は、コンパイラエラーメッセージの暗号的かつ非ヘルパフルを見つける初心者プログラマにとって、重要な教育的応用である。 既存のアプローチでは、sequence-to-sequence prediction (tracer) や reinforcement learning (rlassist) といった、ヘビーデューティな生成学習技術のブラックボックス応用によって、この問題を解決している。 このようなブラックボックスによる学習手法の応用は有用ではあるが、既存のアプローチはトレーニング時間や特定のエラータイプをターゲットする非効率性という点で大きすぎる。 本稿では,修復プロセスのモジュール分離に基づく誤り修正を高速化する新しい手法であるMACERについて述べる。 MACERは、マルチラベル分類器やローダのような強力で安価な識別学習技術を使用して、必要な修復の種類を特定し、提案された修復を適用する。 実験によると、macerが採用したきめ細かいアプローチは、優れた誤り訂正だけでなく、より高速なトレーニングと予測を提供する。 実際の学生応募から収集された4Kバグギープログラムのベンチマークデータセットでは、MACERは、学生が望む修正と正確に一致する一般的なエラーの修正を提案する際に、既存のメソッドを20%上回ります。 MACERは、すべてのエラータイプの既存のメソッドよりも、人気でも稀でも、競争力がある。 MACERはTRACERで2倍、RLAssistで800倍、テスト時間で2-4倍のスピードアップを提供する。

関連論文リスト

• FastFixer: An Efficient and Effective Approach for Repairing Programming Assignments [21.848112758958543]
  本稿では,FastFixerを提案する。 まず,必要なパッチと関連するコンテキストを生成する方法を学ぶことへのLLMの関心を高めることを目的とした,修復指向のファインチューニング戦略を提案する。 修復効率を考慮すると、FastFixerは自動回帰復号アルゴリズムと比較して16.67倍の高速化を実現している。
  論文  参考訳（メタデータ） (2024-10-11T10:17:02Z)
• Subtle Errors Matter: Preference Learning via Error-injected Self-editing [59.405145971637204]
  eRror-Injected Self-Editing (RISE) と呼ばれる新しい好み学習フレームワークを提案する。 RISEは定義済みの微妙な誤りを正しい解の部分的なトークンに注入し、エラー軽減のためにハードペアを構築する。 RISEの有効性を検証する実験では、Qwen2-7B-Instructでは、GSM8Kでは3.0%、MATHでは7.9%が顕著に改善された。
  論文  参考訳（メタデータ） (2024-10-09T07:43:38Z)
• Automated Program Repair: Emerging trends pose and expose problems for benchmarks [7.437224586066947]
  大規模言語モデル(LLM)はソフトウェアパッチの生成に使用される。 評価と比較は、結果が有効であり、一般化する可能性が高いことを保証するために注意する必要があります。 大規模かつしばしば開示されていないトレーニングデータセットには、評価される問題が含まれている可能性がある。
  論文  参考訳（メタデータ） (2024-05-08T23:09:43Z)
• Robust Capped lp-Norm Support Vector Ordinal Regression [85.84718111830752]
  正規回帰は、ラベルが固有の順序を示す特殊な教師付き問題である。 卓越した順序回帰モデルとしてのベクトル順序回帰は、多くの順序回帰タスクで広く使われている。 我々は,新たなモデルであるCapped $ell_p$-Norm Support Vector Ordinal Regression (CSVOR)を導入する。
  論文  参考訳（メタデータ） (2024-04-25T13:56:05Z)
• A Deep Dive into Large Language Models for Automated Bug Localization and Repair [12.756202755547024]
  大規模言語モデル(LLM)は、自動プログラム修復(APR)など、様々なソフトウェアエンジニアリングタスクにおいて顕著な効果を示している。 本研究では,LSMを用いた自動バグ修正について深く検討する。 異なるLLMを用いてバグの局所化と修正を分離することにより、多様なコンテキスト情報の効果的な統合が可能になる。 Toggleは、CodeXGLUEコード改善ベンチマークで、新しい最先端(SOTA)パフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-04-17T17:48:18Z)
• A Novel Approach for Automatic Program Repair using Round-Trip Translation with Large Language Models [50.86686630756207]
  研究によると、ある文の文法的誤りは、それを他の言語に翻訳し、その語を返せば修正できる。 現在の自動プログラム修復(APR)生成モデルは、ソースコードで事前訓練され、修正のために微調整されている。 本稿では,あるプログラミング言語から別のプログラミング言語,あるいは自然言語へのコード変換,そして,その逆といった,微調整ステップをバイパスし,ラウンド・トリップ変換(RTT)を用いる手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T22:36:31Z)
• Flexible Control Flow Graph Alignment for Delivering Data-Driven Feedback to Novice Programming Learners [0.847136673632881]
  我々は,オープンソースのデータ駆動型自動修復手法であるCLARAに,いくつかの改良を加えて提案する。 我々はCLARAの抽象構文木プロセッサを拡張し、一般的な入門プログラミング構造を扱う。 CLARAの修復プロセスを適用するために,不正プログラムの制御フローグラフを修正した。
  論文  参考訳（メタデータ） (2024-01-02T19:56:50Z)
• RAP-Gen: Retrieval-Augmented Patch Generation with CodeT5 for Automatic Program Repair [75.40584530380589]
  新たな検索型パッチ生成フレームワーク(RAP-Gen)を提案する。 RAP-Gen 以前のバグ修正ペアのリストから取得した関連する修正パターンを明示的に活用する。 RAP-GenをJavaScriptのTFixベンチマークとJavaのCode RefinementとDefects4Jベンチマークの2つのプログラミング言語で評価する。
  論文  参考訳（メタデータ） (2023-09-12T08:52:56Z)
• Graph-based, Self-Supervised Program Repair from Diagnostic Feedback [108.48853808418725]
  本稿では,ソースコードの修復や診断フィードバックに関連するシンボルを結合するプログラムフィードバックグラフを提案する。 次に、推論プロセスのモデル化にグラフニューラルネットワークを適用します。 オンラインで利用可能なラベルのないプログラムを活用するプログラム修復のための自己指導型学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2020-05-20T07:24:28Z)
• MACER: Attack-free and Scalable Robust Training via Maximizing Certified Radius [133.47492985863136]
  敵対的トレーニングは、堅牢なモデルを学習する最も一般的な方法の1つだが、通常は攻撃に依存し、コストがかかる。 敵の訓練を使わずに頑健なモデルを学習するMACERアルゴリズムを提案する。 すべてのタスクに対してMACERは、最先端の対人訓練アルゴリズムよりもトレーニング時間が少ない。
  論文  参考訳（メタデータ） (2020-01-08T05:08:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。