論文の概要: Embedding-based search in JetBrains IDEs
- arxiv url: http://arxiv.org/abs/2401.14975v1
- Date: Fri, 26 Jan 2024 16:07:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-29 14:40:17.452242
- Title: Embedding-based search in JetBrains IDEs
- Title(参考訳): JetBrains IDEにおける埋め込みベースの検索
- Authors: Evgeny Abramov and Nikolai Palchikov
- Abstract要約: JetBrainsでは、Search Everywhereと呼ばれる機能により、ユーザーは単一のエントリポイントからファイル、アクション、クラス、シンボル、設定、およびVCS履歴から何でも検索できる。
これは、セマンティクス、例えばシノニム、複雑な単語置換、音声修正の一部、タイポスなど、意味論を説明できないアルゴリズムによって得られる候補と連動する。
本研究では,探索項目の発見可能性を向上させるために実装した機械学習手法について述べる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Most modern Integrated Development Environments (IDEs) and code editors have
a feature to search across available functionality and items in an open
project. In JetBrains IDEs, this feature is called Search Everywhere: it allows
users to search for files, actions, classes, symbols, settings, and anything
from VCS history from a single entry point. However, it works with the
candidates obtained by algorithms that don't account for semantics, e.g.,
synonyms, complex word permutations, part of the speech modifications, and
typos. In this work, we describe the machine learning approach we implemented
to improve the discoverability of search items. We also share the obstacles
encountered during this process and how we overcame them.
- Abstract(参考訳): ほとんどのモダンな統合開発環境(IDE)とコードエディタは、オープンソースプロジェクトで利用可能な機能や項目を検索する機能を持っています。
jetbrains ideでは、この機能はsearch everywhereと呼ばれる。単一のエントリポイントからファイル、アクション、クラス、シンボル、設定、およびvcs履歴から何でも検索することができる。
しかし、同義語、複雑な単語の置換、音声修正の一部、タイプミスなど、意味論を考慮しないアルゴリズムによって得られる候補と連携する。
本稿では,検索項目の発見性を向上させるために実装した機械学習手法について述べる。
このプロセスで遭遇した障害と、それらを克服する方法も共有しています。
関連論文リスト
- GET: Unlocking the Multi-modal Potential of CLIP for Generalized Category Discovery [51.01145921226882]
テキスト埋め込み合成器(TES)を提案する。
提案手法は,CLIPのマルチモーダルポテンシャルを解放し,すべてのGCDベンチマークにおいて,ベースライン手法よりも大きなマージンで性能を向上する。
論文 参考訳(メタデータ) (2024-03-15T02:40:13Z) - Tool-Augmented LLMs as a Universal Interface for IDEs [0.768721532845575]
自然言語対話とコード生成の両方が可能な大規模言語モデル(LLM)は、統合開発環境(IDE)の概念の陳腐化を論じる。
ユーザコマンドで複数のIDE機能を含む複雑なアクションを実行でき、オプションやアクションを検索する際の面倒な作業のユーザエクスペリエンスを削除できるモデルを構想する。
論文 参考訳(メタデータ) (2024-02-18T16:32:28Z) - Context Composing for Full Line Code Completion [0.46040036610482665]
本稿では,機能実装のコアとなるTransformerモデルに対するコンテクスト構成のアプローチについて述べる。
我々は、機能を改善するための次のステップを共有し、この分野におけるいくつかの研究面の重要性を強調します。
論文 参考訳(メタデータ) (2024-02-14T15:17:37Z) - Bridging Education and Development: IDEs as Interactive Learning
Platforms [1.5778293477627905]
このアプローチの主な目的は、学生を工業技術に精通させるという課題に対処することである。
このアプローチにより、学生は学習プロセスに完全に統合された近代的な産業用ツールをすぐに利用できる。
我々は既に40以上のコースでこの手法を適用しており、様々な話題にまたがる学生の教育に成功している。
論文 参考訳(メタデータ) (2024-01-25T16:15:56Z) - LILO: Learning Interpretable Libraries by Compressing and Documenting Code [71.55208585024198]
LILOは、反復的に合成、圧縮、文書化を行う、ニューロシンボリックなフレームワークである。
LILOは、LLM誘導プログラム合成と、Stitchから自動化された最近のアルゴリズムの進歩を組み合わせたものである。
LILOのシンセサイザーが学習した抽象化を解釈し、デプロイするのを手助けすることで、AutoDocがパフォーマンスを向上させることが分かりました。
論文 参考訳(メタデータ) (2023-10-30T17:55:02Z) - ControlLLM: Augment Language Models with Tools by Searching on Graphs [97.62758830255002]
我々は,大規模言語モデル(LLM)が実世界のタスクを解くためのマルチモーダルツールを利用できる新しいフレームワークであるControlLLMを提案する。
フレームワークは,(1)複雑なタスクを明確なサブタスクに分割し,入力と出力を適切に定義したサブタスクに分解するtextittask Decomposer,(2)構築済みのツールグラフ上で最適なソリューションパスを探索する textitThoughts-on-Graph(ToG)パラダイム,(3)ソリューションパスを解釈して実行するリッチなツールボックスを備えた textitexecution Engine,の3つの主要なコンポーネントから構成される。
論文 参考訳(メタデータ) (2023-10-26T21:57:21Z) - Large Search Model: Redefining Search Stack in the Era of LLMs [63.503320030117145]
我々は,1つの大言語モデル(LLM)で検索タスクを統一することにより,従来の検索スタックを再定義する,大規模検索モデルと呼ばれる新しい概念的フレームワークを導入する。
全てのタスクは自動回帰テキスト生成問題として定式化され、自然言語のプロンプトを使ってタスクをカスタマイズできる。
提案フレームワークは,LLMの強力な言語理解と推論能力を活用し,既存の検索スタックを簡素化しつつ,検索結果の質を向上させる能力を提供する。
論文 参考訳(メタデータ) (2023-10-23T05:52:09Z) - Using an LLM to Help With Code Understanding [13.53616539787915]
大規模言語モデル(LLM)は、コードを書くプロセスに革命をもたらしています。
プラグインはOpenAIのGPT-3.5-turboモデルに対して,ユーザが明示的なプロンプトを書かなくても4つの高レベルリクエストをクエリする。
本システムの評価は,32名の被験者を対象に行ったユーザスタディで行われ,本プラグインがWeb検索よりもタスク完了に有効であることが確認された。
論文 参考訳(メタデータ) (2023-07-17T00:49:06Z) - All You Need Is Logs: Improving Code Completion by Learning from
Anonymous IDE Usage Logs [55.606644084003094]
そこで本研究では,IDEのユーザからコンプリート利用ログを収集する手法を提案する。
機械学習ベースのモデルをトレーニングして、完成候補をランク付けします。
評価の結果,過去のユーザ動作ログに基づいてトレーニングした単純なランキングモデルを用いることで,コード補完エクスペリエンスが大幅に向上した。
論文 参考訳(メタデータ) (2022-05-21T23:21:26Z) - PSIMiner: A Tool for Mining Rich Abstract Syntax Trees from Code [7.054093620465401]
PSIMinerはIntelliJプラットフォームからPSIツリーを処理するためのツールである。
この作業では、IntelliJ PlatformからPSIツリーを処理するツールであるPSIMinerを紹介します。
論文 参考訳(メタデータ) (2021-03-23T18:23:45Z) - PyGlove: Symbolic Programming for Automated Machine Learning [88.15565138144042]
シンボリックプログラミングに基づくAutoMLの新しいプログラミング方法を紹介します。
このパラダイムでは、MLプログラムは変更可能であるため、他のプログラムで簡単に操作できます。
PyGloveユーザーは、静的プログラムを検索空間に簡単に変換し、検索空間と検索アルゴリズムをすばやく繰り返し、複雑な検索フローを作成できることを示しています。
論文 参考訳(メタデータ) (2021-01-21T19:05:44Z)
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。