論文の概要: On Multi-Modal Learning of Editing Source Code

• arxiv url: http://arxiv.org/abs/2108.06645v1
• Date: Sun, 15 Aug 2021 02:06:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-18 05:08:47.718684
• Title: On Multi-Modal Learning of Editing Source Code
• Title（参考訳）: ソースコード編集のマルチモーダル学習について
• Authors: Saikat Chakraborty, Baishakhi Ray
• Abstract要約: 近年、Neural Machine Translator (NMT) はソースコードを自動編集することを約束している。 本研究では、位置情報の編集、コードコンテキストの編集、(自然言語における開発者のヒントのプロキシとして)メッセージのコミットという3つのモードを利用して、NMTモデルによる編集を自動的に生成する。 入力モダリティとしての開発者のヒントは、パッチの検索スペースを狭くし、最先端モデルより優れ、トップ1位置で正しくパッチされたコードを生成することができることを示す。
• 参考スコア（独自算出の注目度）: 17.28158089963557
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, Neural Machine Translator (NMT) has shown promise in automatically editing source code. Typical NMT based code editor only considers the code that needs to be changed as input and suggests developers with a ranked list of patched code to choose from - where the correct one may not always be at the top of the list. While NMT based code editing systems generate a broad spectrum of plausible patches, the correct one depends on the developers' requirement and often on the context where the patch is applied. Thus, if developers provide some hints, using natural language, or providing patch context, NMT models can benefit from them. As a proof of concept, in this research, we leverage three modalities of information: edit location, edit code context, commit messages (as a proxy of developers' hint in natural language) to automatically generate edits with NMT models. To that end, we build MODIT, a multi-modal NMT based code editing engine. With in-depth investigation and analysis, we show that developers' hint as an input modality can narrow the search space for patches and outperform state-of-the-art models to generate correctly patched code in top-1 position.
• Abstract（参考訳）: 近年、Neural Machine Translator (NMT) はソースコードを自動編集することを約束している。 典型的なNMTベースのコードエディタは、インプットとして変更が必要なコードのみを考慮し、修正済みのコードのリストをランク付けした開発者が選択するように提案する。 nmtベースのコード編集システムは、多種多様な可能なパッチを生成するが、正しいものは開発者の要求に依存し、しばしばパッチが適用される状況に依存する。 したがって、開発者が自然言語の使用やパッチコンテキストの提供といったヒントを提供すれば、nmtモデルはそのメリットを享受できる。 概念実証として,位置の編集,コードコンテキストの編集,(自然言語における開発者のヒントのプロキシとして)メッセージのコミットという3つの情報モダリティを活用し,NMTモデルによる編集を自動的に生成する。 そこで我々は,マルチモーダルNMTベースのコード編集エンジンMODITを開発した。 In-deepth investigation and analysis, we show that developers's hint as a input modality could narrow the search space for patch and outform state-of-the-art model to generate correct patched code in top-1 position。

関連論文リスト

• Fundamental Problems With Model Editing: How Should Rational Belief Revision Work in LLMs? [61.68363765350178]
  本稿では,モデル編集問題の標準的な定式化を批判し,モデル編集研究のための形式的テストベッドを提案する。 まず,(1) 問題の定義,(2) ベンチマークの開発,(3) LLM がそもそも編集可能な信念を持っていることを前提として,モデル編集における12のオープンな問題について述べる。 次に、Wikidataに基づくモデル編集のための半合成データセットを導入し、理想化されたベイズエージェントによって与えられるラベルに対する編集を評価する。
  論文  参考訳（メタデータ） (2024-06-27T17:33:03Z)
• CodeEditorBench: Evaluating Code Editing Capability of Large Language Models [49.387195629660994]
  コードのための大規模言語モデル(LLM)は急速に進化しており、コード編集が重要な機能として現れている。 コード編集タスクにおけるLLMの性能を厳格に評価するための評価フレームワークであるCodeEditorBenchを紹介する。 5つのソースからさまざまなコーディング課題やシナリオをキュレートし、さまざまなプログラミング言語、複雑性レベル、編集タスクをカバーしています。
  論文  参考訳（メタデータ） (2024-04-04T15:49:49Z)
• Can It Edit? Evaluating the Ability of Large Language Models to Follow Code Editing Instructions [6.367360745627828]
  コード編集タスクのベンチマークを導入し、それをいくつかの最先端LCMの評価に利用する。 我々の評価は、最先端のオープンモデルとクローズドモデルの間の大きなギャップを露呈する。 我々は、自然言語命令と組み合わされたコード編集タスクの新しい、慎重にキュレートされ、パーミッシブにライセンスされたトレーニングデータセットを導入する。
  論文  参考訳（メタデータ） (2023-12-11T02:27:45Z)
• InstructCoder: Instruction Tuning Large Language Models for Code Editing [26.160498475809266]
  ユーザインストラクションに基づいたコード編集にLLM(Large Language Models)を用いる方法について検討する。 InstructCoderは、汎用コード編集にLLMを適用するために設計された最初の命令チューニングデータセットである。 InstructCoderで微調整されたオープンソースのLLMは、コード編集の精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2023-10-31T10:15:35Z)
• Automated Code Editing with Search-Generate-Modify [24.96672652375192]
  本稿では,コード検索,生成,修正のパワーを活用して,コード編集をより良く合成するためのハイブリッドアプローチを提案する。 SARGAMは、実際の開発者のコード編集動作を模倣するように設計された新しいツールである。
  論文  参考訳（メタデータ） (2023-06-10T17:11:21Z)
• On Search Strategies for Document-Level Neural Machine Translation [51.359400776242786]
  文書レベルのニューラルネットワーク変換(NMT)モデルは、ドキュメント全体にわたってより一貫性のある出力を生成する。 そこで本研究では,デコードにおける文脈認識翻訳モデルをどのように活用するか,という質問に答えることを目的としている。
  論文  参考訳（メタデータ） (2023-06-08T11:30:43Z)
• Coeditor: Leveraging Contextual Changes for Multi-round Code Auto-editing [57.776971051512234]
  本研究では,複数ラウンドのコードの自動編集設定について検討し,その内部の最近の変更に基づいて,コード領域への編集を予測することを目的とした。 我々のモデルであるCoeditorは、コード編集タスクに特化して設計された微調整言語モデルである。 単純化されたシングルラウンドのシングル編集タスクでは、Coeditor は GPT-3.5 と SOTA のオープンソースコード補完モデルを大幅に上回っている。
  論文  参考訳（メタデータ） (2023-05-29T19:57:36Z)
• CodeEditor: Learning to Edit Source Code with Pre-trained Models [47.736781998792]
  本稿では,CodeEditorというコード編集モデルを提案する。 私たちは、多くの現実世界のコードスニペットを基礎として収集し、強力なジェネレータを使って変更したバージョンに書き直します。 我々は,4つのコード編集データセットの実験を行い,事前学習したCodeEditorを3つの設定で評価する。
  論文  参考訳（メタデータ） (2022-10-31T03:26:33Z)
• InCoder: A Generative Model for Code Infilling and Synthesis [88.46061996766348]
  InCoderは、プログラム合成(左から右への生成)と編集(埋め込み)が可能な統合生成モデルである。 InCoderは、許可されたコードの大きなコーパスからコードファイルを生成するように訓練されている。 私たちのモデルは、ゼロショットコードの埋め込みを直接実行できる最初の生成モデルです。
  論文  参考訳（メタデータ） (2022-04-12T16:25:26Z)
• A Sketch-Based Neural Model for Generating Commit Messages from Diffs [0.5239589676872304]
  コミットメッセージは、特に大規模チームで働く場合、ソフトウェア開発に重要な影響を与える。 コード差分をコミットメッセージに変換するために、ニューラルマシン翻訳(NMT)技術を適用します。 このタスクのための改善されたスケッチベースのエンコーダを紹介します。
  論文  参考訳（メタデータ） (2021-04-08T21:21:28Z)

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。