論文の概要: OrdinalFix: Fixing Compilation Errors via Shortest-Path CFL Reachability

• arxiv url: http://arxiv.org/abs/2309.06771v1
• Date: Wed, 13 Sep 2023 07:42:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 07:48:17.726530
• Title: OrdinalFix: Fixing Compilation Errors via Shortest-Path CFL Reachability
• Title（参考訳）: OrdinalFix: 最短パスCFL到達可能性によるコンパイルエラーの修正
• Authors: Wenjie Zhang, Guancheng Wang, Junjie Chen, Yingfei Xiong, Yong Liu, Lu Zhang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 25.092895347227348
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The development of correct and efficient software can be hindered by compilation errors, which must be fixed to ensure the code's syntactic correctness and program language constraints. Neural network-based approaches have been used to tackle this problem, but they lack guarantees of output correctness and can require an unlimited number of modifications. Fixing compilation errors within a given number of modifications is a challenging task. We demonstrate that finding the minimum number of modifications to fix a compilation error is NP-hard. To address compilation error fixing problem, we propose OrdinalFix, a complete algorithm based on shortest-path CFL (context-free language) reachability with attribute checking that is guaranteed to output a program with the minimum number of modifications required. Specifically, OrdinalFix searches possible fixes from the smallest to the largest number of modifications. By incorporating merged attribute checking to enhance efficiency, the time complexity of OrdinalFix is acceptable for application. We evaluate OrdinalFix on two datasets and demonstrate its ability to fix compilation errors within reasonable time limit. Comparing with existing approaches, OrdinalFix achieves a success rate of 83.5%, surpassing all existing approaches (71.7%).
• Abstract（参考訳）: 正しい、効率的なソフトウェアの開発はコンパイルエラーによって妨げられ、コードの構文的正確性とプログラム言語の制約を確実にするために修正されなければならない。 この問題に対処するためにニューラルネットワークベースのアプローチが使用されているが、出力の正確性の保証がなく、無限の修正を必要とする可能性がある。 所定の数の修正でコンパイルエラーを修正するのは難しい作業です。 コンパイルエラーを修正するための最小限の変更数を見つけることはNPハードであることを示す。 コンパイルエラー修正問題に対処するために,最短パスcfl(context-free language)到達可能性に基づく完全アルゴリズムであるordinalfixを提案する。 具体的には、ordinalfixは修正可能な最小から最大までの修正を検索する。 統合属性チェックを組み込んで効率を高めることで、OrdinalFixの時間複雑さがアプリケーションに受け入れられる。 2つのデータセットのordinalfixを評価し,適切な時間内にコンパイルエラーを修正する能力を示す。 既存のアプローチと比較すると、OrdinalFixは83.5%の成功率に達し、既存のすべてのアプローチ(71.7%)を上回っている。

関連論文リスト

• FastFixer: An Efficient and Effective Approach for Repairing Programming Assignments [21.848112758958543]
  本稿では,FastFixerを提案する。 まず,必要なパッチと関連するコンテキストを生成する方法を学ぶことへのLLMの関心を高めることを目的とした,修復指向のファインチューニング戦略を提案する。 修復効率を考慮すると、FastFixerは自動回帰復号アルゴリズムと比較して16.67倍の高速化を実現している。
  論文  参考訳（メタデータ） (2024-10-11T10:17:02Z)
• 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)
• Subtle Errors Matter: Preference Learning via Error-injected Self-editing [59.405145971637204]
  eRror-Injected Self-Editing (RISE) と呼ばれる新しい好み学習フレームワークを提案する。 RISEは定義済みの微妙な誤りを正しい解の部分的なトークンに注入し、エラー軽減のためにハードペアを構築する。 RISEの有効性を検証する実験では、Qwen2-7B-Instructでは、GSM8Kでは3.0%、MATHでは7.9%が顕著に改善された。
  論文  参考訳（メタデータ） (2024-10-09T07:43:38Z)
• Improving LLM Reasoning through Scaling Inference Computation with Collaborative Verification [52.095460362197336]
  大規模言語モデル(LLM)は一貫性と正確な推論に苦しむ。 LLMは、主に正しいソリューションに基づいて訓練され、エラーを検出して学習する能力を減らす。 本稿では,CoT(Chain-of-Thought)とPoT(Program-of-Thought)を組み合わせた新しい協調手法を提案する。
  論文  参考訳（メタデータ） (2024-10-05T05:21:48Z)
• Addressing Stopping Failures for Small Set Flip Decoding of Hypergraph Product Codes [1.04049929128816]
  ハイパーグラフ製品コードは、定レート量子LDPC符号の有望なファミリーである。 Small-Set-Flip(texttSSF$)は線形時間復号アルゴリズムである。 我々は,障害停止後の$textttSSF$を補うために,Projection-Along-a-Line(texttPAL$)デコーダと呼ばれる新しいデコードアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-11-01T22:08:49Z)
• Program Repair with Minimal Edits Using CodeT5 [0.0]
  本稿では,CodeT5 を用いた修正編集を最小限に抑えたプログラムを提案する。 トレーニング済みのCodeT5を間違ったプログラムと正しいプログラムのコードペアに微調整し、いくつかのベースラインモデルでその性能を評価する。
  論文  参考訳（メタデータ） (2023-09-26T08:45:05Z)
• RAP-Gen: Retrieval-Augmented Patch Generation with CodeT5 for Automatic Program Repair [75.40584530380589]
  新たな検索型パッチ生成フレームワーク(RAP-Gen)を提案する。 RAP-Gen 以前のバグ修正ペアのリストから取得した関連する修正パターンを明示的に活用する。 RAP-GenをJavaScriptのTFixベンチマークとJavaのCode RefinementとDefects4Jベンチマークの2つのプログラミング言語で評価する。
  論文  参考訳（メタデータ） (2023-09-12T08:52:56Z)
• NAPG: Non-Autoregressive Program Generation for Hybrid Tabular-Textual Question Answering [52.10214317661547]
  現在の数値推論法はプログラムシーケンスを自己回帰的にデコードする。 プログラム生成の精度は、デコードステップがエラー伝搬によって展開されるにつれて急激に低下する。 本稿では,非自己回帰型プログラム生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-11-07T11:25:21Z)
• Factual Error Correction for Abstractive Summaries Using Entity Retrieval [57.01193722520597]
  本稿では,エンティティ検索後処理に基づく効率的な事実誤り訂正システムRFECを提案する。 RFECは、原文と対象要約とを比較して、原文から証拠文を検索する。 次に、RFECは、エビデンス文を考慮し、要約中のエンティティレベルのエラーを検出し、エビデンス文から正確なエンティティに置換する。
  論文  参考訳（メタデータ） (2022-04-18T11:35:02Z)
• FastCorrect 2: Fast Error Correction on Multiple Candidates for Automatic Speech Recognition [92.12910821300034]
  本稿では,複数のASR候補を入力として取り込んだ誤り訂正モデルFastCorrect 2を提案する。 FastCorrect 2は、カスケードされた再描画と修正パイプラインよりも優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2021-09-29T13:48:03Z)
• Error correction and extraction in request dialogs [12.137183622356197]
  Componentは、ユーザの2つの最後の発話を取得し、最後の発話が2番目の最後の発話の誤り訂正であるかどうかを検出する。 そして、最後の発話における誤差補正に従って第2の最終発話を補正し、抽出した再並列及び補修エンティティのペアを出力する。 1つの誤り訂正検出と1つの誤り訂正アプローチをパイプラインに組み合わせたり、エラー訂正アプローチをトレーニングしたり、エンドツーエンドで2つのコンポーネントを避けることができる。
  論文  参考訳（メタデータ） (2020-04-08T20:49:10Z)

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。