論文の概要: Where to Look When Repairing Code? Comparing the Attention of Neural
Models and Developers
- arxiv url: http://arxiv.org/abs/2305.07287v1
- Date: Fri, 12 May 2023 07:23:15 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-24 08:54:44.148290
- Title: Where to Look When Repairing Code? Comparing the Attention of Neural
Models and Developers
- Title（参考訳）: コードの修理はどこで行うか?
神経モデルと開発者の注意を比べる
- Authors: Dominik Huber, Matteo Paltenghi, Michael Pradel
- Abstract要約: 本稿では,ヒトと神経プログラムの修復を比較検討した最初の詳細な研究について述べる。
我々は,ヒトのバギーコードの一部と人工神経修復モデルの2つの状態について検討する。
我々は、正しく予測されたパッチに対して67.3%と、正しく予測されたパッチが3%以下であるにもかかわらず、人間は依然として、正しい修正を見つけるのに明らかに効果的であると考えている。
- 参考スコア（独自算出の注目度）: 21.351834312054844
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neural network-based techniques for automated program repair are becoming
increasingly effective. Despite their success, little is known about why they
succeed or fail, and how their way of reasoning about the code to repair
compares to human developers. This paper presents the first in-depth study
comparing human and neural program repair. In particular, we investigate what
parts of the buggy code humans and two state of the art neural repair models
focus on. This comparison is enabled by a novel attention-tracking interface
for human code editing, based on which we gather a dataset of 98 bug fixing
sessions, and on the attention layers of neural repair models. Our results show
that the attention of the humans and both neural models often overlaps (0.35 to
0.44 correlation). At the same time, the agreement between humans and models
still leaves room for improvement, as evidenced by the higher human-human
correlation of 0.56. While the two models either focus mostly on the buggy line
or on the surrounding context, the developers adopt a hybrid approach that
evolves over time, where 36.8% of the attention is given to the buggy line and
the rest to the context. Overall, we find the humans to still be clearly more
effective at finding a correct fix, with 67.3% vs. less than 3% correctly
predicted patches. The results and data of this study are a first step into a
deeper understanding of the internal process of neural program repair, and
offer insights inspired by the behavior of human developers on how to further
improve neural repair models.
- Abstract（参考訳）: 自動プログラム修復のためのニューラルネットワークベースの技術は、ますます効果的になりつつある。
彼らの成功にもかかわらず、なぜ成功するか、失敗したのか、そして修理するコードに対する彼らの推論方法が、人間開発者とどのように比較されるのかは、ほとんど分かっていない。
本稿では,人間と神経プログラムの修復に関する最初の詳細な研究を行う。
特に,ヒトのバギーコードの一部と,人工神経修復モデルの2つの状態について検討する。
この比較は、98のバグ修正セッションのデータセットと、神経修復モデルの注意層を収集した、人間のコード編集のための新しい注意追跡インターフェイスによって実現されている。
その結果、人間と両方の神経モデルの注意が重なり合うこと(0.35対 0.44相関)が示されている。
同時に、人間とモデルの間の合意には改善の余地が残っており、人間と人間の相関関係が0.56と高いことが証明されている。
2つのモデルは主にバギーラインか周辺コンテキストに焦点を当てているが、開発者は時間とともに進化するハイブリッドアプローチを採用しており、バギーラインとその他のコンテキストに36.8%の注意が向けられている。
全体として、人間は正しい修正を見つけるのに明らかに効果的であり、67.3%に対して、正確に予測されたパッチは3%未満である。
この研究の結果とデータは、神経プログラム修復の内部過程を深く理解するための第一歩であり、神経修復モデルをさらに改善するための人間の開発者の行動に触発された洞察を提供する。
関連論文リスト
- Utilizing Machine Learning and 3D Neuroimaging to Predict Hearing Loss: A Comparative Analysis of Dimensionality Reduction and Regression Techniques [0.0]
我々は,脳の灰白質3次元画像における難聴閾値を予測するための機械学習アプローチについて検討した。
第1フェーズでは,3次元CNNモデルを用いて,遅延空間への高次元入力を低減した。
第2フェーズでは、このモデルを使用して、リッチな機能への入力を削減した。
論文 参考訳（メタデータ） (2024-04-30T18:39:41Z) - AiOS: All-in-One-Stage Expressive Human Pose and Shape Estimation [55.179287851188036]
人間のポーズと形状の復元のための新しいオールインワンステージフレームワークであるAiOSを、追加の人間検出ステップなしで導入する。
まず、画像中の人間の位置を探索し、各インスタンスのグローバルな機能をエンコードするために、人間のトークンを使用します。
そして、画像中の人間の関節を探索し、きめ細かい局所的特徴を符号化するジョイント関連トークンを導入する。
論文 参考訳（メタデータ） (2024-03-26T17:59:23Z) - A Survey on Knowledge Editing of Neural Networks [43.813073385305806]
最大の人工ニューラルネットワークでさえ間違いを犯し、世界が時間とともに進むにつれて、一度修正された予測が無効になる可能性がある。
知識編集は、訓練済みのターゲットモデルに対する信頼性、データ効率、迅速な変更の実現を目的とした、新しい研究分野として浮上している。
まず、ニューラルネットワークの編集の問題を紹介し、それを共通のフレームワークで形式化し、継続的学習のような悪名高い研究分野と区別する。
論文 参考訳（メタデータ） (2023-10-30T16:29:47Z) - NCTV: Neural Clamping Toolkit and Visualization for Neural Network
Calibration [66.22668336495175]
ニューラルネットワークのキャリブレーションに対する考慮の欠如は、人間から信頼を得ることはないだろう。
我々はNeural Clamping Toolkitを紹介した。これは開発者が最先端のモデルに依存しないキャリブレーションモデルを採用するのを支援するために設計された最初のオープンソースフレームワークである。
論文 参考訳（メタデータ） (2022-11-29T15:03:05Z) - "Task-relevant autoencoding" enhances machine learning for human
neuroscience [0.0]
人間の神経科学において、機械学習は被験者の行動に関連する低次元の神経表現を明らかにするのに役立つ。
本研究では,機能拡張(TRACE)によるタスク関連オートエンコーダを開発し,その動作関連表現を抽出する能力を検証した。
TRACEは全てのモデルをほぼ一方的に上回り、分類精度は最大12%向上し、タスク関連表現の発見において最大56%改善した。
論文 参考訳（メタデータ） (2022-08-17T18:44:39Z) - DapStep: Deep Assignee Prediction for Stack Trace Error rePresentation [61.99379022383108]
本稿では,バグトリアージ問題を解決するための新しいディープラーニングモデルを提案する。
モデルは、注目された双方向のリカレントニューラルネットワークと畳み込みニューラルネットワークに基づいている。
ランキングの質を向上させるために,バージョン管理システムのアノテーションから追加情報を利用することを提案する。
論文 参考訳（メタデータ） (2022-01-14T00:16:57Z) - Overcoming the Domain Gap in Neural Action Representations [60.47807856873544]
3Dポーズデータは、手動で介入することなく、マルチビュービデオシーケンスから確実に抽出できる。
本稿では,ニューラルアクション表現の符号化を,ニューラルアクションと行動拡張のセットと共に導くために使用することを提案する。
ドメインギャップを減らすために、トレーニングの間、同様の行動をしているように見える動物間で神経と行動のデータを取り替える。
論文 参考訳（メタデータ） (2021-12-02T12:45:46Z) - Overcoming the Domain Gap in Contrastive Learning of Neural Action
Representations [60.47807856873544]
神経科学の基本的な目標は、神経活動と行動の関係を理解することである。
我々は,ハエが自然に生み出す行動からなる新しいマルチモーダルデータセットを作成した。
このデータセットと新しい拡張セットは、神経科学における自己教師あり学習手法の適用を加速することを約束します。
論文 参考訳（メタデータ） (2021-11-29T15:27:51Z) - Partial success in closing the gap between human and machine vision [30.78663978510427]
数年前、最初のCNNがImageNetで人間のパフォーマンスを上回った。
人間のビジョンとマシンビジョンのギャップを埋める作業は進んでいますか?
我々は、広範囲なアウト・オブ・ディストリビューション(OOD)データセット上で、人間のオブザーバをテストした。
論文 参考訳（メタデータ） (2021-06-14T13:23:35Z) - Learning Compositional Neural Information Fusion for Human Parsing [181.48380078517525]
我々はこのアプローチを神経情報融合フレームワークとして定式化する。
我々のモデルは階層上の3つの推論プロセスから情報を収集する。
モデル全体がエンドツーエンドで識別可能であり、情報フローと構造を明示的にモデル化する。
論文 参考訳（メタデータ） (2020-01-19T10:35:14Z)
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。