論文の概要: CodeScholar: Growing Idiomatic Code Examples

• arxiv url: http://arxiv.org/abs/2312.15157v1
• Date: Sat, 23 Dec 2023 04:06:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-27 19:22:29.770995
• Title: CodeScholar: Growing Idiomatic Code Examples
• Title（参考訳）: CodeScholar: 慣用的なコード例の成長
• Authors: Manish Shetty, Koushik Sen, Ion Stoica
• Abstract要約: 本稿では,APIメソッドの一般的な使用法を示す慣用的なコード例を生成するツールであるCodeScholarを紹介する。 これには、クエリAPIを慣用的なコード例に成長させる、グラフ上の新しいニューラルガイド付き検索技術が含まれている。 CodeScholarは、開発者だけでなく、LLMを利用したプログラミングアシスタントがプログラム合成設定で正しいコードを生成することも示している。
• 参考スコア（独自算出の注目度）: 26.298684667238994
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Programmers often search for usage examples for API methods. A tool that could generate realistic, idiomatic, and contextual usage examples for one or more APIs would be immensely beneficial to developers. Such a tool would relieve the need for a deep understanding of the API landscape, augment existing documentation, and help discover interactions among APIs. We present CodeScholar, a tool that generates idiomatic code examples demonstrating the common usage of API methods. It includes a novel neural-guided search technique over graphs that grows the query APIs into idiomatic code examples. Our user study demonstrates that in 70% of cases, developers prefer CodeScholar generated examples over state-of-the-art large language models (LLM) like GPT3.5. We quantitatively evaluate 60 single and 25 multi-API queries from 6 popular Python libraries and show that across-the-board CodeScholar generates more realistic, diverse, and concise examples. In addition, we show that CodeScholar not only helps developers but also LLM-powered programming assistants generate correct code in a program synthesis setting.
• Abstract（参考訳）: プログラマはAPIメソッドの使用例を探すことが多い。 1つ以上のAPIの現実的で慣用的でコンテキスト的な使用例を生成するツールは、開発者にとって非常に有益です。 このようなツールは、APIのランドスケープを深く理解する必要をなくし、既存のドキュメントを拡張し、API間のインタラクションを見つけるのに役立つだろう。 本稿では,APIメソッドの共通利用を示す慣用的なコード例を生成するCodeScholarを紹介する。 クエリapiを慣用的なコード例に拡張する、グラフ上の新しいニューラルネットワークによる検索技術が含まれている。 私たちのユーザ調査では、GPT3.5のような最先端の大規模言語モデル(LLM)よりも、開発者がCodeScholarの生成例を好むケースが70%あります。 6つの人気のあるPythonライブラリから60のシングルAPIと25のマルチAPIクエリを定量的に評価し、CodeScholarがより現実的で多様な、簡潔な例を生成することを示す。 また,CodeScholarは開発者を支援するだけでなく,LLMを利用したプログラミングアシスタントがプログラム合成設定で正しいコードを生成することも示す。

関連論文リスト

• A Comprehensive Framework for Evaluating API-oriented Code Generation in Large Language Models [14.665460257371164]
  GitHub CopilotやChatGPTのような大規模言語モデル(LLM)は、コード生成の強力なツールとして登場した。 API指向コード生成におけるLLMの機能を評価するために設計されたフレームワークであるAutoAPIEvalを提案する。
  論文  参考訳（メタデータ） (2024-09-23T17:22:09Z)
• A Systematic Evaluation of Large Code Models in API Suggestion: When, Which, and How [53.65636914757381]
  API提案は、現代のソフトウェア開発において重要なタスクである。 大規模コードモデル(LCM)の最近の進歩は、API提案タスクにおいて有望であることを示している。
  論文  参考訳（メタデータ） (2024-09-20T03:12:35Z)
• CodeUpdateArena: Benchmarking Knowledge Editing on API Updates [77.81663273436375]
  コードドメインの知識編集のためのベンチマークであるCodeUpdateArenaを提示する。 私たちのベンチマークのインスタンスは、プログラム合成例と組み合わせた合成API関数のアップデートで構成されています。 ベンチマークでは、7つのPythonパッケージから54の関数へ、さまざまなタイプの更新をカバーしています。
  論文  参考訳（メタデータ） (2024-07-08T17:55:04Z)
• Contextual API Completion for Unseen Repositories Using LLMs [6.518508607788089]
  本稿では,API補完タスクのためのコードリポジトリ内で,グローバルおよびローカルなコンテキスト情報を活用することで幻覚を緩和する新しい手法を提案する。 当社のアプローチは、ローカルAPI補完の最適化に重点を置いて、コード補完タスクの洗練に適合しています。 私たちのツールであるLANCEは、APIトークンの補完と会話APIの補完で、Copilotを143%、Copilotを142%上回っています。
  論文  参考訳（メタデータ） (2024-05-07T18:22:28Z)
• Exploring the Impact of Source Code Linearity on the Programmers Comprehension of API Code Examples [0.0]
  APIコード例におけるソースコードの(a)線形性と(b)長さが,正確性や使用時間の点でユーザパフォーマンスに与える影響について検討した。 61人のJava開発者を対象に,オンラインコード理解実験を行った。
  論文  参考訳（メタデータ） (2024-04-03T00:40:38Z)
• Private-Library-Oriented Code Generation with Large Language Models [52.73999698194344]
  本稿では,大規模言語モデル(LLM)をプライベートライブラリのコード生成に活用することに焦点を当てる。 プログラマがプライベートコードを書く過程をエミュレートする新しいフレームワークを提案する。 TorchDataEval、TorchDataComplexEval、MonkeyEval、BeatNumEvalの4つのプライベートライブラリベンチマークを作成しました。
  論文  参考訳（メタデータ） (2023-07-28T07:43:13Z)
• COMEX: A Tool for Generating Customized Source Code Representations [7.151800146054561]
  COMEXは、研究者と開発者が複数のコードビューを作成し、組み合わせることを可能にするフレームワークである。 プロシージャ内スニペットとプロシージャ間スニペットの両方を使用して、メソッドレベルのスニペットとプログラムレベルのスニペットの両方を分析することができる。 これは40以上の言語をサポートする、広く使われているインクリメンタル分析ツールであるtree-sitter上に構築されている。
  論文  参考訳（メタデータ） (2023-07-10T16:46:34Z)
• When Language Model Meets Private Library [25.610036042971043]
  実際には、プログラマはプライベートライブラリを使ってコードを書くことが一般的である。 これは、トレーニング中にプライベートAPIを見たことがないため、言語モデルにとっての課題である。 APIRetrieverは有用なAPIを見つけ、APICoderはこれらのAPIを使ってコードを生成する。
  論文  参考訳（メタデータ） (2022-10-31T11:42:06Z)
• Binding Language Models in Symbolic Languages [146.3027328556881]
  Binderはトレーニング不要のニューラルシンボリックフレームワークで、タスク入力をプログラムにマッピングする。 解析の段階では、Codexは元のプログラミング言語では答えられないタスク入力の一部を特定することができる。 実行段階では、CodexはAPI呼び出しで適切なプロンプトを与えられた万能機能を実行することができる。
  論文  参考訳（メタデータ） (2022-10-06T12:55:17Z)
• Interactive Code Generation via Test-Driven User-Intent Formalization [60.90035204567797]
  大きな言語モデル(LLM)は、非公式な自然言語(NL)の意図からコードを生成する。 自然言語は曖昧であり、形式的な意味論が欠けているため、正確性の概念を定義するのは難しい。 言語に依存しない抽象アルゴリズムと具体的な実装TiCoderについて述べる。
  論文  参考訳（メタデータ） (2022-08-11T17:41:08Z)
• DocCoder: Generating Code by Retrieving and Reading Docs [87.88474546826913]
  コードマニュアルとドキュメントを明示的に活用するアプローチであるDocCoderを紹介します。 我々のアプローチは一般的に、どんなプログラミング言語にも適用でき、基礎となるニューラルモデルとは無関係です。
  論文  参考訳（メタデータ） (2022-07-13T06:47:51Z)

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。