論文の概要: Leveraging Causal Inference for Explainable Automatic Program Repair

• arxiv url: http://arxiv.org/abs/2205.13342v1
• Date: Thu, 26 May 2022 13:25:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-27 13:21:32.173842
• Title: Leveraging Causal Inference for Explainable Automatic Program Repair
• Title（参考訳）: 説明可能な自動プログラム修復のための因果推論の活用
• Authors: Jianzong Wang, Shijing Si, Zhitao Zhu, Xiaoyang Qu, Zhenhou Hong, Jing Xiao
• Abstract要約: 本稿では,因果推論を用いたシーケンス・ツー・シーケンスモデルに基づくプログラム修復のための解釈可能なアプローチを提案する。 我々の手法はCPRと呼ばれ、因果プログラムの修復に短い。 4つのプログラミング言語の実験では、CPRが合理的な解釈のために因果グラフを生成できることが示されている。
• 参考スコア（独自算出の注目度）: 24.146216081282798
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning models have made significant progress in automatic program repair. However, the black-box nature of these methods has restricted their practical applications. To address this challenge, this paper presents an interpretable approach for program repair based on sequence-to-sequence models with causal inference and our method is called CPR, short for causal program repair. Our CPR can generate explanations in the process of decision making, which consists of groups of causally related input-output tokens. Firstly, our method infers these relations by querying the model with inputs disturbed by data augmentation. Secondly, it generates a graph over tokens from the responses and solves a partitioning problem to select the most relevant components. The experiments on four programming languages (Java, C, Python, and JavaScript) show that CPR can generate causal graphs for reasonable interpretations and boost the performance of bug fixing in automatic program repair.
• Abstract（参考訳）: ディープラーニングモデルは、プログラムの自動修復において大きな進歩を遂げている。 しかし、これらの手法のブラックボックスの性質は実用的応用を制限してきた。 本稿では,この課題に対処するために,因果推論を伴うシーケンス・ツー・シーケンスモデルに基づくプログラム修復のための解釈可能な手法を提案する。 我々のCPRは、因果関係の入出力トークンのグループからなる意思決定の過程で説明を生成することができる。 まず,データ拡張によって乱される入力をモデルに問い合わせることで,これらの関係を推測する。 次に、応答からトークン上のグラフを生成し、最も関連するコンポーネントを選択する分割問題を解く。 4つのプログラミング言語(Java、C、Python、JavaScript)の実験により、CPRは合理的な解釈のための因果グラフを生成でき、自動プログラム修復におけるバグ修正のパフォーマンスを向上できることが示された。

関連論文リスト

• Multi-Task Program Error Repair and Explanatory Diagnosis [28.711745671275477]
  マルチタスクプログラムエラー修復・説明診断(mPRED)のための新しい機械学習手法を提案する。 ソースコードのエンコードには事前訓練された言語モデルが使用され、ダウンストリームモデルはエラーを特定して修復するために特別に設計されている。 プログラム構造を可視化・解析するために,プログラム構造の可視化にグラフニューラルネットワークを用いる。
  論文  参考訳（メタデータ） (2024-10-09T05:09:24Z)
• 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)
• Fact-Checking Complex Claims with Program-Guided Reasoning [99.7212240712869]
  Program-Guided Fact-Checking (ProgramFC)は、複雑なクレームを単純なサブタスクに分解する新しいファクトチェックモデルである。 まず,大規模言語モデルの文脈内学習能力を活用して推論プログラムを生成する。 我々は,各サブタスクを対応するサブタスクハンドラに委譲することでプログラムを実行する。
  論文  参考訳（メタデータ） (2023-05-22T06:11:15Z)
• System Predictor: Grounding Size Estimator for Logic Programs under Answer Set Semantics [0.5801044612920815]
  本稿では,プログラムの基底サイズを推定するシステム予測器を提案する。 本稿では,Productor と Lpopt が生成したリライトのガイドとして使用するPredictor の効果を評価する。
  論文  参考訳（メタデータ） (2023-03-29T20:49:40Z)
• NAPG: Non-Autoregressive Program Generation for Hybrid Tabular-Textual Question Answering [52.10214317661547]
  現在の数値推論法はプログラムシーケンスを自己回帰的にデコードする。 プログラム生成の精度は、デコードステップがエラー伝搬によって展開されるにつれて急激に低下する。 本稿では,非自己回帰型プログラム生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-07T11:25:21Z)
• Learning from Self-Sampled Correct and Partially-Correct Programs [96.66452896657991]
  そこで本研究では,モデルが学習中にサンプリングを行い,自己サンプリングされた完全正当プログラムと部分正当プログラムの両方から学習することを提案する。 自己サンプリング型プログラムと部分修正型プログラムを併用することで,学習とサンプリングプロセスのガイドに役立てることができることを示す。 提案手法は,MLEを用いた単一の参照プログラムからの学習と比較して,パス@kの性能を3.1%から12.3%向上させる。
  論文  参考訳（メタデータ） (2022-05-28T03:31:07Z)
• Enforcing Consistency in Weakly Supervised Semantic Parsing [68.2211621631765]
  本稿では,関連する入力に対する出力プログラム間の整合性を利用して,スプリアスプログラムの影響を低減することを提案する。 より一貫性のあるフォーマリズムは、一貫性に基づくトレーニングを必要とせずに、モデルパフォーマンスを改善することにつながります。
  論文  参考訳（メタデータ） (2021-07-13T03:48:04Z)
• 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)
• Can We Learn Heuristics For Graphical Model Inference Using Reinforcement Learning? [114.24881214319048]
  我々は、強化学習を用いて、高次条件ランダム場(CRF)における推論を解くためのプログラム、すなわち、ポリシーを学習できることを示します。 本手法は,ポテンシャルの形式に制約を加えることなく,推論タスクを効率的に解く。
  論文  参考訳（メタデータ） (2020-04-27T19:24:04Z)

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。