Fugu-MT 論文翻訳(概要): Deep Learning Meets Software Engineering: A Survey on Pre-Trained Models of Source Code

論文の概要: Deep Learning Meets Software Engineering: A Survey on Pre-Trained Models of Source Code

arxiv url: http://arxiv.org/abs/2205.11739v1
Date: Tue, 24 May 2022 03:14:25 GMT
ステータス: 処理完了
システム内更新日: 2022-05-26 08:39:42.005624
Title: Deep Learning Meets Software Engineering: A Survey on Pre-Trained Models of Source Code
Title（参考訳）: deep learning meets software engineering: ソースコードの事前学習モデルに関する調査
Authors: Changan Niu and Chuanyi Li and Bin Luo and Vincent Ng
Abstract要約: 近年、ディープラーニングのソフトウェア工学(SE)への応用が成功している。特に、事前訓練されたソースコードのモデルの開発と使用により、様々なSEタスクで最先端の結果が得られている。本稿では,この急速な研究分野の概要と今後の研究方向性を考察する。
参考スコア（独自算出の注目度）: 33.78307982736911
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recent years have seen the successful application of deep learning to software engineering (SE). In particular, the development and use of pre-trained models of source code has enabled state-of-the-art results to be achieved on a wide variety of SE tasks. This paper provides an overview of this rapidly advancing field of research and reflects on future research directions.
Abstract（参考訳）: 近年、ディープラーニングのソフトウェア工学(SE)への応用が成功している。特に、事前訓練されたソースコードのモデルの開発と使用により、様々なSEタスクで最先端の結果が得られている。本稿では,この急速な研究分野の概要と今後の研究方向性を考察する。

関連論文リスト

Technical Report: Enhancing LLM Reasoning with Reward-guided Tree Search [95.06503095273395]
o1のような推論アプローチは困難で、研究者はこのオープンな研究領域を前進させようとさまざまな試みを行ってきた。本稿では,報酬誘導木探索アルゴリズムを用いて,LLMの推論能力を高めるための予備的な検討を行う。
論文参考訳（メタデータ） (2024-11-18T16:15:17Z)
A Survey of Neural Code Intelligence: Paradigms, Advances and Beyond [84.95530356322621]
この調査は、コードインテリジェンスの発展に関する体系的なレビューを示す。 50以上の代表モデルとその変種、20以上のタスクのカテゴリ、および680以上の関連する広範な研究をカバーしている。発達軌道の考察に基づいて、コードインテリジェンスとより広範なマシンインテリジェンスとの間の新たな相乗効果について検討する。
論文参考訳（メタデータ） (2024-03-21T08:54:56Z)
Investigating Reproducibility in Deep Learning-Based Software Fault Prediction [16.25827159504845]
ますます複雑な機械学習モデルが急速に採用されるようになると、学者が文献で報告される結果を再現することがますます困難になる。特に、適用されたディープラーニングモデルと評価方法論が適切に文書化されていない場合と、コードとデータが共有されていない場合である。我々は,2019年から2022年にかけて,トップレベルのソフトウェアエンジニアリングカンファレンスにおいて,現在の文献を体系的にレビューし,56件の研究論文のレベルを検討した。
論文参考訳（メタデータ） (2024-02-08T13:00:18Z)
The Efficiency Spectrum of Large Language Models: An Algorithmic Survey [54.19942426544731]
LLM(Large Language Models)の急速な成長は、様々なドメインを変換する原動力となっている。本稿では,LLMのエンドツーエンドのアルゴリズム開発に不可欠な多面的効率性について検討する。
論文参考訳（メタデータ） (2023-12-01T16:00:25Z)
Source Code Data Augmentation for Deep Learning: A Survey [32.035973285175075]
ソースコードに対するデータ拡張に関する包括的調査を行う。 DAの品質を最適化するための一般的な戦略とテクニックを強調します。今後の研究の課題と可能性について概説する。
論文参考訳（メタデータ） (2023-05-31T14:47:44Z)
A Survey on Pretrained Language Models for Neural Code Intelligence [4.020523898765404]
Neural Code Intelligence(NCI)の分野は、ソースコードの分析タスクに取り組むための有望なソリューションとして登場した。 NCIは、プログラミングの効率を改善し、ソフトウェア業界におけるヒューマンエラーを最小限にすることを目的としている。事前訓練された言語モデルはNCI研究において支配的な力となり、常に最先端の成果をもたらしている。
論文参考訳（メタデータ） (2022-12-20T08:34:56Z)
Deep Learning Schema-based Event Extraction: Literature Review and Current Trends [60.29289298349322]
ディープラーニングに基づくイベント抽出技術が研究ホットスポットとなっている。本稿では,ディープラーニングモデルに焦点をあて,最先端のアプローチを見直し,そのギャップを埋める。
論文参考訳（メタデータ） (2021-07-05T16:32:45Z)
A Survey of Knowledge Tracing: Models, Variants, and Applications [70.69281873057619]
知識追跡は、学生の行動データ分析の基本的なタスクの1つである。我々は、異なる技術経路を持つ3種類の基本KTモデルを示す。この急速に成長する分野における今後の研究の方向性について論じる。
論文参考訳（メタデータ） (2021-05-06T13:05:55Z)
A Systematic Literature Review on the Use of Deep Learning in Software Engineering Research [22.21817722054742]
ソフトウェア開発タスクを自動化するために、ソフトウェア工学(SE)研究者が採用するテクニックのセットが、ディープラーニング(DL)の概念に根ざしている。本稿では,SE & DLの交差点における研究の体系的な文献レビューを行う。我々は、機械学習技術の特定の問題領域への適用を規定する一連の原則である学習の構成要素を中心に分析を行う。
論文参考訳（メタデータ） (2020-09-14T15:28:28Z)
Deep Learning for Source Code Modeling and Generation: Models, Applications and Challenges [5.4052819252055055]
自然言語処理のためのディープラーニング(DL)技術は急速に進化してきた。近年,言語モデリング,機械翻訳,段落理解の進歩が目覚ましいため,ソフトウェア工学におけるDLの可能性を見落とせない。
論文参考訳（メタデータ） (2020-02-13T11:02:51Z)

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。