論文の概要: Learning to Represent Patches
- arxiv url: http://arxiv.org/abs/2308.16586v2
- Date: Tue, 3 Oct 2023 23:00:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 11:54:51.232636
- Title: Learning to Represent Patches
- Title（参考訳）: パッチの表現を学ぶ
- Authors: Xunzhu Tang and Haoye Tian and Zhenghan Chen and Weiguo Pian and Saad
Ezzini and Abdoul Kader Kabore and Andrew Habib and Jacques Klein and
Tegawende F. Bissyande
- Abstract要約: 本稿では,パッチ表現の深層学習と意味意図のギャップを埋める新しい手法Pacherizerを紹介する。
Patcherizerは、構造化意図グラフ表現にグラフ畳み込みニューラルネットワークを使用し、意図シーケンス表現にトランスフォーマーを使用する。
実験では,全てのタスクにおける表現の有効性を実証し,最先端の手法より優れていた。
- 参考スコア（独自算出の注目度）: 7.073203009308308
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Patch representation is crucial in automating various software engineering
tasks, like determining patch accuracy or summarizing code changes. While
recent research has employed deep learning for patch representation, focusing
on token sequences or Abstract Syntax Trees (ASTs), they often miss the
change's semantic intent and the context of modified lines. To bridge this gap,
we introduce a novel method, Patcherizer. It delves into the intentions of
context and structure, merging the surrounding code context with two innovative
representations. These capture the intention in code changes and the intention
in AST structural modifications pre and post-patch. This holistic
representation aptly captures a patch's underlying intentions. Patcherizer
employs graph convolutional neural networks for structural intention graph
representation and transformers for intention sequence representation. We
evaluated Patcherizer's embeddings' versatility in three areas: (1) Patch
description generation, (2) Patch accuracy prediction, and (3) Patch intention
identification. Our experiments demonstrate the representation's efficacy
across all tasks, outperforming state-of-the-art methods. For example, in patch
description generation, Patcherizer excels, showing an average boost of 19.39%
in BLEU, 8.71% in ROUGE-L, and 34.03% in METEOR scores.
- Abstract（参考訳）: パッチ表現は、パッチの正確性の決定やコード変更の要約など、さまざまなソフトウェアエンジニアリングタスクを自動化する上で不可欠である。
最近の研究では、トークンシーケンスやAST(Abstract Syntax Tree)に焦点を当てたパッチ表現にディープラーニングを採用しているが、変更の意味的意図や修正された行のコンテキストを見逃してしまうことが多い。
このギャップを埋めるために,新しい手法であるpatcherizerを提案する。
コンテキストと構造という意図を掘り下げ、周囲のコードコンテキストを2つの革新的な表現と組み合わせます。
これらは、コード変更における意図と、AST構造の変更による事前および後パッチの意図をキャプチャする。
この全体的表現は、パッチの基本的な意図を適切に捉えます。
patcherizerはグラフ畳み込みニューラルネットワークを構造意図グラフ表現に、トランスフォーマーを意図シーケンス表現に使用する。
本研究では,(1)パッチ記述生成,(2)パッチ精度予測,(3)パッチ意図同定の3領域におけるpatcherizerの組込みの汎用性を評価した。
実験では,すべてのタスクにおける表現の有効性を実証し,最先端手法を上回った。
例えばパッチ記述生成では、PacherizerはBLEUで平均19.39%、ROUGE-Lで8.71%、METEORで34.03%のアップを示した。
関連論文リスト
- Semi-supervised 3D Object Detection with PatchTeacher and PillarMix [71.4908268136439]
現在の半教師付き3Dオブジェクト検出法では、教師が学生に擬似ラベルを生成するのが一般的である。
学生に高品質な擬似ラベルを提供するために,部分的なシーン3Dオブジェクト検出に焦点を当てたPatchTeacherを提案する。
本稿では,PatchTeacherの性能向上のために,Patch Normalizer,Quadrant Align,Fovea Selectionの3つの重要なテクニックを紹介する。
論文 参考訳（メタデータ） (2024-07-13T06:58:49Z) - Automated Description Generation for Software Patches [4.080365651252764]
ソフトウェアパッチ記述を生成するための機械翻訳手法EXPLAINERを提案する。
EXPLAINERでは、重要な要素、歴史的文脈、統語規則の明示的な表現を活用する。
また,EXPLAINERはBLEUで189%,Exact Matchで5.7X,Semantic similarityで154%向上した。
論文 参考訳（メタデータ） (2024-02-06T08:46:14Z) - MS-Former: Memory-Supported Transformer for Weakly Supervised Change
Detection with Patch-Level Annotations [50.79913333804232]
弱い教師付き変化検出のためのメモリ支援トランス (MS-Former) を提案する。
MS-Former は双方向注意ブロック (BAB) とパッチレベルの監視スキーム (PSS) から構成される。
3つのベンチマークデータセットの実験結果から,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2023-11-16T09:57:29Z) - Patch-CLIP: A Patch-Text Pre-Trained Model [6.838615442552715]
パッチ表現学習は、ソフトウェア生成における機械学習の機能を活用するために必要な研究の方向性として登場した。
紹介する。
Theweak-CLIPは、パッチと自然言語テキストのための新しい事前トレーニングフレームワークである。
私たちはそれを示します。
Theweak-CLIPは、新しい最先端のパフォーマンスを設定し、BLEU、ROUGE-L、METEOR、リコールといったメトリクスにおける最先端のパフォーマンスを一貫して上回る。
論文 参考訳（メタデータ） (2023-10-19T14:00:19Z) - Ray-Patch: An Efficient Querying for Light Field Transformers [10.859910783551937]
ターゲットビューに暗黙の表現をデコードするトランスフォーマーを効率的にクエリする新しいモデルであるRay-Patchクエリを提案する。
我々のRay-Patchデコーディングは計算フットプリントを減らし、従来のモデルに比べて1桁の推論速度を増大させる。
論文 参考訳（メタデータ） (2023-05-16T16:03:27Z) - PATS: Patch Area Transportation with Subdivision for Local Feature
Matching [78.67559513308787]
局所特徴マッチングは、一対のイメージ間のスパース対応を確立することを目的としている。
この問題に対処するために,PATS(Patch Area Transportation with Subdivision)を提案する。
PATSは、マッチング精度とカバレッジの両方を改善し、下流タスクにおいて優れたパフォーマンスを示す。
論文 参考訳（メタデータ） (2023-03-14T08:28:36Z) - Is this Change the Answer to that Problem? Correlating Descriptions of
Bug and Code Changes for Evaluating Patch Correctness [8.606215760860362]
パッチの正当性評価を質問回答問題に変換する。
我々は、バグレポートと生成されたパッチの自然言語記述を入力として検討する。
実験により、Quatrainはパッチの正確性を予測するために0.886のAUCを達成できることが示された。
論文 参考訳（メタデータ） (2022-08-08T13:32:58Z) - Patch-level Representation Learning for Self-supervised Vision
Transformers [68.8862419248863]
視覚変換器(ViT)は近年、より優れたアーキテクチャ選択として多くの注目を集めており、様々な視覚タスクにおいて畳み込みネットワークよりも優れています。
これに触発された私たちは、パッチレベルの表現をより良く学習するための、SelfPatchという、シンプルで効果的なビジュアルプリテキストタスクを設計しました。
我々は、既存のSSLメソッドの様々な視覚的タスクに対する性能を大幅に改善できることを実証した。
論文 参考訳（メタデータ） (2022-06-16T08:01:19Z) - Context Autoencoder for Self-Supervised Representation Learning [64.63908944426224]
符号化された表現空間で予測を行うことにより、符号化器を事前訓練する。
ネットワークはエンコーダ/レグレッサ/デコーダアーキテクチャである。
下流タスクにおける転送性能の向上によるCAEの有効性を実証する。
論文 参考訳（メタデータ） (2022-02-07T09:33:45Z) - Rethinking Generative Zero-Shot Learning: An Ensemble Learning
Perspective for Recognising Visual Patches [52.67723703088284]
我々はMPGAN(Multi-patch Generative Adversarial Nets)と呼ばれる新しいフレームワークを提案する。
MPGANは、新しい重み付き投票戦略で、ローカルパッチ機能とラベルが見えないクラスを合成する。
MPGANは最先端の手法よりもはるかに精度が高い。
論文 参考訳（メタデータ） (2020-07-27T05:49:44Z)
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。