論文の概要: Exploring Code Style Transfer with Neural Networks
- arxiv url: http://arxiv.org/abs/2209.06273v1
- Date: Tue, 13 Sep 2022 19:34:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-15 13:07:16.352281
- Title: Exploring Code Style Transfer with Neural Networks
- Title（参考訳）: ニューラルネットワークによるコードスタイル転送の探索
- Authors: Karl Munson, Anish Savla, Chih-Kai Ting, Serenity Wade, Kiran Kate,
Kavitha Srinivas
- Abstract要約: スタイル属性、特にPythonについて定義します。
スタイルの定義に加えて、トレーニング済みのコード言語モデルでコードスタイルに関する情報をキャプチャする機能についても検討する。
- 参考スコア（独自算出の注目度）: 3.5137554842563863
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Style is a significant component of natural language text, reflecting a
change in the tone of text while keeping the underlying information the same.
Even though programming languages have strict syntax rules, they also have
style. Code can be written with the same functionality but using different
language features. However, programming style is difficult to quantify, and
thus as part of this work, we define style attributes, specifically for Python.
To build a definition of style, we utilized hierarchical clustering to capture
a style definition without needing to specify transformations. In addition to
defining style, we explore the capability of a pre-trained code language model
to capture information about code style. To do this, we fine-tuned pre-trained
code-language models and evaluated their performance in code style transfer
tasks.
- Abstract（参考訳）: スタイルは自然言語テキストの重要なコンポーネントであり、基礎となる情報を同じに保ちながら、テキストのトーンの変化を反映している。
プログラミング言語には厳格な構文規則があるが、スタイルもある。
コードは、異なる言語機能を使用して、同じ機能で書くことができる。
しかし、プログラミングスタイルは定量化が難しいので、この作業の一部として、特にpythonのためにスタイル属性を定義します。
スタイル定義を構築するために,階層的クラスタリングを用いて変換を必要とせず,スタイル定義をキャプチャする。
スタイルの定義に加えて、トレーニング済みのコード言語モデルでコードスタイルに関する情報をキャプチャする機能についても検討する。
そこで我々は,事前学習したコード言語モデルを微調整し,その性能をコードスタイル転送タスクで評価した。
関連論文リスト
- Out of style: Misadventures with LLMs and code style transfer [10.673982270603327]
テキストスタイルの転送に言語モデルを使うことの成功に触発されて、コード言語モデルがコードスタイルの転送を行うことができるかどうかを検討する。
私たちは、forループからcomprehensionsのリストへの変換、コードの重複の排除、デコレータの追加など、5つのカテゴリにわたるコードスタイルの転送タスクのベンチマークスイートを設計しました。
次に、これらのテストを使用して、大規模な事前学習されたコード言語モデルや微調整されたモデルが、その転送が発生したかどうかを厳密なメトリクスに基づいて、スタイル転送を正しく実行し、コードがまだ機能テストに合格しているかを確認しました。
論文 参考訳（メタデータ） (2024-06-14T17:04:56Z) - Learning to Generate Text in Arbitrary Writing Styles [6.7308816341849695]
言語モデルは、潜在的に小さな文章サンプルに基づいて、著者固有のスタイルでテキストを作成することが望ましい。
本稿では,テクスチャ的特徴を捉えた対照的に訓練された表現を用いて,ターゲットスタイルのテキストを生成するための言語モデルを提案する。
論文 参考訳（メタデータ） (2023-12-28T18:58:52Z) - Soulstyler: Using Large Language Model to Guide Image Style Transfer for
Target Object [9.759321877363258]
Soulstylerを使えば、ユーザーは簡単なテキスト記述を通じて画像中の特定のオブジェクトのスタイル化をガイドできる。
テキストを解析し、スタイル化の目標と特定のスタイルを特定するために、大きな言語モデルを導入する。
また,特定の対象オブジェクトに対してのみスタイル転送が行われることを保証する,新たなローカライズされたテキストイメージブロックマッチング損失を導入する。
論文 参考訳（メタデータ） (2023-11-22T18:15:43Z) - ParaGuide: Guided Diffusion Paraphrasers for Plug-and-Play Textual Style
Transfer [57.6482608202409]
テキストスタイル転送は、意味を保ちながらテキストのスタイル特性を変換するタスクである。
任意のスタイルに柔軟に適応できる汎用型転送のための新しい拡散型フレームワークを提案する。
本研究では,人的評価と自動評価の両面から,Enron Email Corpusの手法を検証するとともに,形式性,感情,さらにはオーサシップスタイルの伝達にも優れることを示す。
論文 参考訳（メタデータ） (2023-08-29T17:36:02Z) - Visual Captioning at Will: Describing Images and Videos Guided by a Few
Stylized Sentences [49.66987347397398]
Few-Shot Stylized Visual Captioningは,任意のスタイルでキャプションを生成することを目的としている。
本稿では,条件付きエンコーダ-デコーダ言語モデルとビジュアルプロジェクションモジュールを用いたFS-StyleCapというフレームワークを提案する。
論文 参考訳（メタデータ） (2023-07-31T04:26:01Z) - StylerDALLE: Language-Guided Style Transfer Using a Vector-Quantized
Tokenizer of a Large-Scale Generative Model [64.26721402514957]
本論文では,自然言語を用いて抽象芸術スタイルを記述するスタイル転送手法であるStylerDALLEを提案する。
具体的には、非自己回帰的なトークンシーケンス変換として、言語誘導型転送タスクを定式化する。
スタイル情報を組み込むために,CLIPに基づく言語指導による強化学習戦略を提案する。
論文 参考訳（メタデータ） (2023-03-16T12:44:44Z) - Conversation Style Transfer using Few-Shot Learning [56.43383396058639]
本稿では,会話スタイルの伝達を数ショットの学習問題として紹介する。
そこで本研究では,スタイルフリー対話による課題をピボットとして解くための,コンテキスト内学習手法を提案する。
会話スタイルの転送は下流のタスクにも役立ちます。
論文 参考訳（メタデータ） (2023-02-16T15:27:00Z) - Nearest Neighbor Language Models for Stylistic Controllable Generation [8.458066281308005]
最近の言語モデリング性能は外部メモリによって大幅に改善されている。
このメモリは、コンテクストをエンコードし、デコード中に同様のコンテクストをリコールする。
我々は、丁寧さ、形式性、毒性に注釈を付けたコーパスを用いて、この目的のために建築を構築し、評価する。
論文 参考訳（メタデータ） (2022-10-27T20:46:12Z) - Domain Enhanced Arbitrary Image Style Transfer via Contrastive Learning [84.8813842101747]
Contrastive Arbitrary Style Transfer (CAST) は、新しいスタイル表現学習法である。
本フレームワークは,スタイルコード符号化のための多層スタイルプロジェクタ,スタイル分布を効果的に学習するためのドメイン拡張モジュール,画像スタイル転送のための生成ネットワークという,3つのキーコンポーネントから構成される。
論文 参考訳（メタデータ） (2022-05-19T13:11:24Z) - Contrastive Learning for Source Code with Structural and Functional
Properties [66.10710134948478]
本稿では,ソースコードの特徴に基づいて事前学習に焦点を当てた,新たな自己教師型モデルBOOSTを提案する。
私たちは、機能的に等価なコードを生成する自動化された構造誘導型コード変換アルゴリズムを採用しています。
私たちは、対照的な学習目標を通じて、機能的に等価なコードをより近く、異なるコードに近づける方法で、モデルをトレーニングします。
論文 参考訳（メタデータ） (2021-10-08T02:56:43Z) - ST$^2$: Small-data Text Style Transfer via Multi-task Meta-Learning [14.271083093944753]
テキストスタイルの転送は、コンテンツを保存しながら、あるスタイルの文を別のスタイルに言い換えることを目的としている。
並列トレーニングデータがないため、最先端の手法は教師なしであり、コンテンツを共有する大規模なデータセットに依存している。
そこで本研究では,任意のテキストスタイル間を移動するためのメタラーニングフレームワークを開発した。
論文 参考訳（メタデータ） (2020-04-24T13:36:38Z)
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。