論文の概要: Program Structure Aware Precondition Generation

• arxiv url: http://arxiv.org/abs/2310.02154v1
• Date: Tue, 3 Oct 2023 15:40:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 04:56:12.293578
• Title: Program Structure Aware Precondition Generation
• Title（参考訳）: 前提条件生成を考慮したプログラム構造
• Authors: Elizabeth Dinella, Shuvendu Lahiri, Mayur Naik
• Abstract要約: コードから自然条件を推定するための新しい手法を提案する。 私たちの革新は、プログラム変換を通じて事前条件を推論するために、ターゲットメソッドの構造をシードとして活用することにあります。 実世界の87のプロジェクトにフレームワークを適用した18kのJava(メソッド、プレコンディション)ペアのデータセットを提示する。
• 参考スコア（独自算出の注目度）: 9.887645957775089
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We introduce a novel approach for inferring natural preconditions from code. Our technique produces preconditions of high quality in terms of both correctness (modulo a test generator) and naturalness. Prior works generate preconditions from scratch through combinations of boolean predicates, but fall short in readability and ease of comprehension. Our innovation lies in, instead, leveraging the structure of a target method as a seed to infer a precondition through program transformations. Our evaluation shows that humans can more easily reason over preconditions inferred using our approach. Lastly, we instantiate our technique into a framework which can be applied at scale. We present a dataset of ~18k Java (method, precondition) pairs obtained by applying our framework to 87 real-world projects. We use this dataset to both evaluate our approach and draw useful insights for future research in precondition inference.
• Abstract（参考訳）: コードから自然条件を推定するための新しい手法を提案する。 本手法は, 精度(試験生成器のモジュロ)と自然さの両面から, 高品質なプレコンディションを生成する。 先行研究はブール式述語の組み合わせによってスクラッチから事前条件を生成するが、読みやすさと理解の容易さに欠ける。 私たちのイノベーションは、プログラム変換を通じて前提条件を推論するために、ターゲットメソッドの構造をシードとして活用することにあります。 評価の結果,人間はより容易に前提条件を推論できることがわかった。 最後に、我々の技術を大規模に適用可能なフレームワークにインスタンス化する。 実世界の87のプロジェクトにフレームワークを適用した,約18kのJava(メソッド,プレ条件)ペアのデータセットを提案する。 このデータセットを用いて、我々のアプローチを評価し、事前条件推論における将来の研究に役立つ洞察を得る。

関連論文リスト

• Scalable Learning of Latent Language Structure With Logical Offline Cycle Consistency [71.42261918225773]
  概念的には、LOCCOは、トレーニング対象のセマンティクスを使用してラベルなしテキストのアノテーションを生成する、自己学習の一形態と見なすことができる。 追加ボーナスとして、LOCCOによって生成されたアノテーションは、神経テキスト生成モデルをトレーニングするために自明に再利用することができる。
  論文  参考訳（メタデータ） (2023-05-31T16:47:20Z)
• SAGA: Summarization-Guided Assert Statement Generation [34.51502565985728]
  本稿では,アサート文の自動生成のための新しい要約誘導手法を提案する。 我々は、事前訓練された言語モデルを参照アーキテクチャとして利用し、アサート文生成のタスクでそれを微調整する。
  論文  参考訳（メタデータ） (2023-05-24T07:03:21Z)
• Toward Trustworthy Neural Program Synthesis [6.3557174349423455]
  本研究では,大規模言語モデルからサンプルしたプログラムが正しい確率を推定する手法を開発する。 プログラミング問題の自然言語記述を前提として,本手法では,プログラムの振る舞いを規定する候補述語だけでなく,候補プログラムも抽出する。
  論文  参考訳（メタデータ） (2022-09-29T20:32:07Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• LOGEN: Few-shot Logical Knowledge-Conditioned Text Generation with Self-training [76.90793623822866]
  数ショット設定で論理的知識条件付きテキスト生成のための統一的なフレームワークを提案する。 本手法は, 自己学習を利用して, コンテンツと構造整合性に基づく擬似論理形式を抽出する。
  論文  参考訳（メタデータ） (2021-12-02T16:49:41Z)
• A Framework and Benchmarking Study for Counterfactual Generating Methods on Tabular Data [0.0]
  カウンターファクトな説明は、機械学習の予測を説明する効果的な方法と見なされる。 このような説明を導き出そうとするアルゴリズムは、すでに数十ある。 ベンチマーク研究とフレームワークは、実践者がどのテクニックとビルディングブロックが最も適しているかを決定するのに役立ちます。
  論文  参考訳（メタデータ） (2021-07-09T21:06:03Z)
• Exploring Software Naturalness through Neural Language Models [56.1315223210742]
  ソフトウェア自然性仮説(Software Naturalness hypothesis)は、自然言語処理で使用されるのと同じ手法でプログラミング言語を理解することができると主張している。 この仮説は,事前学習されたトランスフォーマーベース言語モデルを用いて,コード解析タスクを実行することによって検討する。
  論文  参考訳（メタデータ） (2020-06-22T21:56:14Z)
• Semantic Scaffolds for Pseudocode-to-Code Generation [47.09844589656143]
  プログラムの高レベルな意味的・統語的構成を表す軽量な構造である意味的足場に基づくプログラム生成手法を提案する。 推論中にセマンティックスキャフォールドを使用することで、従来の最先端技術に比べて、トップ100の精度が10%向上する。
  論文  参考訳（メタデータ） (2020-05-12T17:10:13Z)
• Pre-training Is (Almost) All You Need: An Application to Commonsense Reasoning [61.32992639292889]
  事前学習されたトランスモデルの微調整は、一般的なNLPタスクを解決するための標準的なアプローチとなっている。 そこで本研究では,可視性ランキングタスクをフルテキスト形式でキャストする新たなスコアリング手法を提案する。 提案手法は, ランダム再起動にまたがって, より安定した学習段階を提供することを示す。
  論文  参考訳（メタデータ） (2020-04-29T10:54:40Z)
• Learning the Relation between Code Features and Code Transforms with Structured Prediction [13.62633524166298]
  条件付きランダムフィールド(CRF)を用いたASTノードのレベルでのコード変換を構造的に予測する最初の手法を提案する。 このアプローチはまず、特定のASTノードに特定のコード変換がどのように適用されるかをキャプチャする確率モデルをオフラインで学習し、次に学習したモデルを使用して、任意の新しい、目に見えないコードスニペットの変換を予測する。
  論文  参考訳（メタデータ） (2019-07-22T12:42:32Z)

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。