論文の概要: Overwatch: Learning Patterns in Code Edit Sequences

• arxiv url: http://arxiv.org/abs/2207.12456v1
• Date: Mon, 25 Jul 2022 18:24:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-27 13:25:35.750803
• Title: Overwatch: Learning Patterns in Code Edit Sequences
• Title（参考訳）: overwatch: コード編集シーケンスにおける学習パターン
• Authors: Yuhao Zhang, Yasharth Bajpai, Priyanshu Gupta, Ameya Ketkar, Miltiadis Allamanis, Titus Barik, Sumit Gulwani, Arjun Radhakrishna, Mohammad Raza, Gustavo Soares, Ashish Tiwari
• Abstract要約: 統合開発環境(IDE)は、多くのソースコード編集タスクを自動化するツールを提供する。 伝統的に、彼らは空間コンテキスト(つまり開発者が編集する場所)だけを使用して、候補の編集レコメンデーションを生成する。 私たちはIDEで実行される開発者の編集の痕跡から、編集シーケンスパターンを学習するための新しいテクニックであるOverwatchを紹介します。
• 参考スコア（独自算出の注目度）: 27.537059634961754
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Integrated Development Environments (IDEs) provide tool support to automate many source code editing tasks. Traditionally, IDEs use only the spatial context, i.e., the location where the developer is editing, to generate candidate edit recommendations. However, spatial context alone is often not sufficient to confidently predict the developer's next edit, and thus IDEs generate many suggestions at a location. Therefore, IDEs generally do not actively offer suggestions and instead, the developer is usually required to click on a specific icon or menu and then select from a large list of potential suggestions. As a consequence, developers often miss the opportunity to use the tool support because they are not aware it exists or forget to use it. To better understand common patterns in developer behavior and produce better edit recommendations, we can additionally use the temporal context, i.e., the edits that a developer was recently performing. To enable edit recommendations based on temporal context, we present Overwatch, a novel technique for learning edit sequence patterns from traces of developers' edits performed in an IDE. Our experiments show that Overwatch has 78% precision and that Overwatch not only completed edits when developers missed the opportunity to use the IDE tool support but also predicted new edits that have no tool support in the IDE.
• Abstract（参考訳）: 統合開発環境(IDE)は多くのソースコード編集タスクを自動化するツールを提供する。 伝統的にIDEは、空間コンテキスト、すなわち開発者が編集する場所のみを使用して、候補の編集レコメンデーションを生成する。 しかし、空間コンテキストだけでは開発者の次の編集を確実に予測するには不十分な場合が多いため、IDEはロケーションで多くの提案を生成する。 そのため、一般的にIDEは提案を積極的に提供せず、代わりに、開発者は特定のアイコンやメニューをクリックして、潜在的な提案の一覧から選択する必要がある。 結果として、開発者はツールサポートの存在を認識していないり、使用を忘れているため、ツールサポートを使用する機会を逃すことが多い。 開発者の振る舞いの共通パターンをよりよく理解し、より良い編集レコメンデーションを生成するために、時間的コンテキスト、すなわち開発者が最近実行した編集を使うことができる。 時間的文脈に基づいた編集レコメンデーションを可能にするために,ideで実行される開発者の編集の痕跡から編集シーケンスパターンを学習する新しい手法であるoverwatchを提案する。 私たちの実験によると、Overwatchの精度は78%で、IDEツールサポートの機会を逃した開発者が編集を完了しただけでなく、IDEにツールサポートがない新しい編集も予測できた。

関連論文リスト

• CoEdPilot: Recommending Code Edits with Learned Prior Edit Relevance, Project-wise Awareness, and Interactive Nature [15.209899925736751]
  我々は、関連する編集を識別してコード編集を推奨するLLM駆動のソリューションであるCoEdPilotを提案する。 CoEdPilotは、複数のニューラルトランスフォーマーをオーケストレーションして、ロケーションの編集とコンテントの編集の両方に関して、プロジェクトの中で何とどのように編集するかを特定する。 実験の結果、CoEdPilotは編集位置を70.8%-85.3%の精度で予測でき、正確なマッチングレートは41.8%、BLEU4スコアは60.7である。
  論文  参考訳（メタデータ） (2024-08-03T10:23:05Z)
• ExpressEdit: Video Editing with Natural Language and Sketching [28.814923641627825]
  マルチモダリティ$-$natural Language (NL) とスケッチは、人間が表現に使用する自然なモダリティであり、ビデオエディタをサポートするために$-$canを使用することができる。 我々は,NLテキストによる動画編集と映像フレームのスケッチを可能にするExpressEditを提案する。
  論文  参考訳（メタデータ） (2024-03-26T13:34:21Z)
• Tool-Augmented LLMs as a Universal Interface for IDEs [0.768721532845575]
  自然言語対話とコード生成の両方が可能な大規模言語モデル(LLM)は、統合開発環境(IDE)の概念の陳腐化を論じる。 ユーザコマンドで複数のIDE機能を含む複雑なアクションを実行でき、オプションやアクションを検索する際の面倒な作業のユーザエクスペリエンスを削除できるモデルを構想する。
  論文  参考訳（メタデータ） (2024-02-18T16:32:28Z)
• Collaborative, Code-Proximal Dynamic Software Visualization within Code Editors [55.57032418885258]
  本稿では,コードエディタに組み込むソフトウェアビジュアライゼーション手法の設計と実装について紹介する。 私たちのコントリビューションは、ソフトウェアシステムの実行時の動作の動的解析を使用するという点で、関連する作業と異なります。 私たちの視覚化アプローチは、一般的なリモートペアプログラミングツールを強化し、共有コード都市を利用することで協調的に使用できます。
  論文  参考訳（メタデータ） (2023-08-30T06:35:40Z)
• 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)
• All You Need Is Logs: Improving Code Completion by Learning from Anonymous IDE Usage Logs [55.606644084003094]
  そこで本研究では,IDEのユーザからコンプリート利用ログを収集する手法を提案する。 機械学習ベースのモデルをトレーニングして、完成候補をランク付けします。 評価の結果,過去のユーザ動作ログに基づいてトレーニングした単純なランキングモデルを用いることで,コード補完エクスペリエンスが大幅に向上した。
  論文  参考訳（メタデータ） (2022-05-21T23:21:26Z)
• EnvEdit: Environment Editing for Vision-and-Language Navigation [98.30038910061894]
  Vision-and-Language Navigation (VLN)では、エージェントは自然言語命令に基づいて環境をナビゲートする必要がある。 本研究では,既存の環境を編集して新しい環境を作成するデータ拡張手法であるEnvEditを提案する。 提案手法は,事前学習および未学習のVLNエージェントにおいて,すべての指標において有意な改善が得られたことを示す。
  論文  参考訳（メタデータ） (2022-03-29T15:44:32Z)
• On Multi-Modal Learning of Editing Source Code [17.28158089963557]
  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。
  論文  参考訳（メタデータ） (2021-08-15T02:06:49Z)
• Learning Structural Edits via Incremental Tree Transformations [102.64394890816178]
  構造化データのインクリメンタルな編集(すなわち「構造的編集」)のための汎用モデルを提案する。 我々の編集者は、反復的にツリー編集(例えば、サブツリーの削除や追加)を生成し、部分的に編集されたデータに適用することを学びます。 提案したエディタを2つのソースコード編集データセットで評価した結果,提案する編集エンコーダでは,従来よりも精度が向上していることがわかった。
  論文  参考訳（メタデータ） (2021-01-28T16:11:32Z)

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。