論文の概要: Using the TypeScript compiler to fix erroneous Node.js snippets

• arxiv url: http://arxiv.org/abs/2308.12079v1
• Date: Wed, 23 Aug 2023 11:58:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 12:54:43.236474
• Title: Using the TypeScript compiler to fix erroneous Node.js snippets
• Title（参考訳）: typescriptコンパイラを使って誤ったnode.jsスニペットを修正する
• Authors: Brittany Reid, Christoph Treude, Markus Wagner
• Abstract要約: Node Code Correction(NCC)は、Node.jsのコードスニペットでエラーを自動的に評価し、修正するためのアプローチである。 NCCはTypeScriptコンパイラの機能を活用してエラーを生成し、コード修正を通知する。 評価では、TypeScriptコンパイラを使用してコード修正を通知することは、オンラインソースからのコードスニペットの再利用を支援するための有望な戦略であることを確認した。
• 参考スコア（独自算出の注目度）: 9.45052138795667
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most online code snippets do not run. This means that developers looking to reuse code from online sources must manually find and fix errors. We present an approach for automatically evaluating and correcting errors in Node.js code snippets: Node Code Correction (NCC). NCC leverages the ability of the TypeScript compiler to generate errors and inform code corrections through the combination of TypeScript's built-in codefixes, our own targeted fixes, and deletion of erroneous lines. Compared to existing approaches using linters, our findings suggest that NCC is capable of detecting a larger number of errors per snippet and more error types, and it is more efficient at fixing snippets. We find that 73.7% of the code snippets in NPM documentation have errors; with the use of NCC's corrections, this number was reduced to 25.1%. Our evaluation confirms that the use of the TypeScript compiler to inform code corrections is a promising strategy to aid in the reuse of code snippets from online sources.
• Abstract（参考訳）: ほとんどのオンラインコードスニペットは実行されない。 つまり、オンラインソースからコードを再利用したい開発者は、手動でエラーを見つけて修正しなければならない。 Node Code Correction(NCC)という,Node.jsコードスニペットのエラーを自動的に評価し,修正するためのアプローチを提案する。 NCCは、TypeScriptコンパイラがエラーを生成し、TypeScriptの組み込みコードフィックス、ターゲットとする修正、誤った行の削除を組み合わせてコード修正を通知する機能を活用している。 既存のlinterを用いた手法と比較して,NTCはスニペット毎のエラー数やエラータイプを検出でき,スニペットの修正にも効率が高いことが示唆された。 NPM文書のコードスニペットの73.7%にエラーがあり、NCCの修正によってこの数は25.1%に減少した。 私たちの評価では、コード修正にtypescriptコンパイラを使用することが、オンラインソースからのコードスニペットの再利用を支援する有望な戦略であることを確認しています。

関連論文リスト

• LecPrompt: A Prompt-based Approach for Logical Error Correction with CodeBERT [28.711745671275477]
  LecPromptは論理的エラーをローカライズし、修復するためのプロンプトベースのアプローチである。 CodeBERTは、コードに基づいてトレーニングされたトランスフォーマーベースの大規模言語モデルである。 Pythonでは、LecPromptが注目すべき74.58%のトップ-1トークンレベルの修復精度を達成した。 Javaでは、LecPromptは69.23%のトップ-1トークンレベルの修復精度を提供する。
  論文  参考訳（メタデータ） (2024-10-10T01:56:04Z)
• FV8: A Forced Execution JavaScript Engine for Detecting Evasive Techniques [53.288368877654705]
  FV8はJavaScriptコードの回避テクニックを特定するために設計された修正V8 JavaScriptエンジンである。 動的コードを条件付きで注入するAPI上でのコード実行を選択的に実施する。 1,443のnpmパッケージと、少なくとも1つのタイプのエスケープを含む164の(82%)拡張を識別する。
  論文  参考訳（メタデータ） (2024-05-21T19:54:19Z)
• NAVRepair: Node-type Aware C/C++ Code Vulnerability Repair [14.152755184229374]
  NAVRepairは、ASTから抽出されたノードタイプ情報とエラータイプを組み合わせた、新しいフレームワークである。 既存のLLMベースのC/C++脆弱性修復法と比較して26%高い精度を実現している。
  論文  参考訳（メタデータ） (2024-05-08T11:58:55Z)
• Cutting through buggy adversarial example defenses: fixing 1 line of code breaks Sabre [64.55144029671106]
  SabreはIEEE S&P 2024で受け入れられた敵の例に対する防御である。 まず,勾配マスキングの明確な兆候を示す評価の重大な欠陥を明らかにする。 次に、このマスキング勾配の原因を示す:元の評価コードにバグがある。
  論文  参考訳（メタデータ） (2024-05-06T17:48:24Z)
• OrdinalFix: Fixing Compilation Errors via Shortest-Path CFL Reachability [25.092895347227348]
  我々は,最短パスCFL(context-free language)リーチビリティに基づく完全アルゴリズムOrdinalFixを提案する。 OrdinalFixは最小から最大の修正数まで可能な修正を検索する。 OrdinalFixを2つのデータセットで評価し,コンパイルエラーを適切な時間制限で修正できることを実証した。
  論文  参考訳（メタデータ） (2023-09-13T07:42:44Z)
• Dcc --help: Generating Context-Aware Compiler Error Explanations with Large Language Models [53.04357141450459]
  dcc --helpはCS1とCS2のコースにデプロイされ、2565人の学生が10週間で64,000回以上このツールを使っている。 LLMが生成した説明は、コンパイル時間の90%と実行時の75%で概念的に正確であるが、コードに解決策を提供しない命令を無視することが多かった。
  論文  参考訳（メタデータ） (2023-08-23T02:36:19Z)
• CodeCoT: Tackling Code Syntax Errors in CoT Reasoning for Code Generation [6.139760107605468]
  チェーン・オブ・シント(CoT)は、複雑な推論タスクにおいて特に有効であるとして、NLPの画期的なツールとして登場した。 コード生成のための自己検査プロセスとCoTを統合したCode Chain-of-Thought(CodeCoT)を提案する。
  論文  参考訳（メタデータ） (2023-08-17T04:58:51Z)
• CONCORD: Clone-aware Contrastive Learning for Source Code [64.51161487524436]
  セルフ教師付き事前トレーニングは、多くのダウンストリームSEタスクに価値のあるジェネリックコード表現を学ぶための牽引役になった。 汎用的な表現学習のために、開発者が日々どのようにコードをコーディングするかは、要因としても不可欠である、と私たちは主張する。 特に,表現空間に良性クローンを近づける自己教師型コントラスト学習戦略であるCONCORDを提案する。
  論文  参考訳（メタデータ） (2023-06-05T20:39:08Z)
• Break-It-Fix-It: Unsupervised Learning for Program Repair [90.55497679266442]
  我々は2つの重要なアイデアを持つ新しいトレーニング手法であるBreak-It-Fix-It (BIFI)を提案する。 批判者は、実際の悪い入力でフィクスダーの出力をチェックし、トレーニングデータに良い(固定された)出力を追加する。 これらのアイデアに基づいて、よりペア化されたデータを生成するために、ブレーカとフィクスチャを同時に使用しながら、繰り返し更新する。 BIFIは既存のメソッドより優れており、GitHub-Pythonで90.5%、DeepFixで71.7%の修正精度がある。
  論文  参考訳（メタデータ） (2021-06-11T20:31:04Z)
• Contrastive Code Representation Learning [95.86686147053958]
  一般的な再構成に基づくBERTモデルは,ソースコードの編集に敏感であることを示す。 コントラコード(ContraCode)は、コード機能を学ぶのにフォームではなく、コントラスト的な事前学習タスクである。
  論文  参考訳（メタデータ） (2020-07-09T17:59:06Z)

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。