論文の概要: ASAP-Repair: API-Specific Automated Program Repair Based on API Usage
Graphs
- arxiv url: http://arxiv.org/abs/2402.07542v1
- Date: Mon, 12 Feb 2024 10:10:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-13 14:41:37.598795
- Title: ASAP-Repair: API-Specific Automated Program Repair Based on API Usage
Graphs
- Title(参考訳): ASAP-Repair: API使用グラフに基づくAPI特有の自動プログラム修復
- Authors: Sebastian Nielebock and Paul Blockhaus and Jacob Kr\"uger and Frank
Ortmeier
- Abstract要約: API-Specific Automated Program repair (ASAP-Repair) の紹介
ASAP-Repairは、最先端のAPI誤用検知器のAPI使用テンプレートを活用することで、API使用グラフ(AUG)に基づいたAPI誤用を修正することを意図している。
本稿では,ASAP-Repairが確立したAPI誤用データセットに適用可能であることを示す。
- 参考スコア(独自算出の注目度): 3.085995273374333
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern software development relies on the reuse of code via Application
Programming Interfaces (APIs). Such reuse relieves developers from learning and
developing established algorithms and data structures anew, enabling them to
focus on their problem at hand. However, there is also the risk of misusing an
API due to a lack of understanding or proper documentation. While many
techniques target API misuse detection, only limited efforts have been put into
automatically repairing API misuses. In this paper, we present our advances on
our technique API-Specific Automated Program Repair (ASAP-Repair). ASAP-Repair
is intended to fix API misuses based on API Usage Graphs (AUGs) by leveraging
API usage templates of state-of-the-art API misuse detectors. We demonstrate
that ASAP-Repair is in principle applicable on an established API misuse
dataset. Moreover, we discuss next steps and challenges to evolve ASAP-Repair
towards a full-fledged Automatic Program Repair (APR) technique.
- Abstract(参考訳): 現代のソフトウェア開発は、アプリケーションプログラミングインタフェース(API)によるコードの再利用に依存している。
このような再利用は、開発者が確立されたアルゴリズムやデータ構造を新たに学習し、開発するのを妨げます。
しかし、APIの理解や適切なドキュメントの欠如により、APIを誤用するリスクもある。
apiの誤用検出をターゲットとする技術は多いが、apiの誤用を自動的に修復する努力は限られている。
本稿では,api固有の自動プログラム修復(asap-repair)技術について述べる。
ASAP-Repairは、最先端API誤用検出のAPI使用テンプレートを活用することで、API使用グラフ(AUG)に基づいたAPI誤用を修正することを意図している。
本稿では,ASAP-Repairが確立したAPI誤用データセットに適用可能であることを示す。
さらに,ASAP-Repairの進化に向けた次のステップと課題を,本格的な自動プログラム修復(APR)技術に向けて論じる。
関連論文リスト
- Semantic API Alignment: Linking High-level User Goals to APIs [6.494714497852088]
既存のライブラリを使った要件エンジニアリングから実装まで,複数のステップにまたがるビジョンを提示する。
このアプローチは、セマンティックAPIアライメント(SEAL)と呼ばれ、ユーザの高レベルな目標と1つ以上のAPIの特定の機能とのギャップを埋めることを目的としています。
論文 参考訳(メタデータ) (2024-05-07T11:54:32Z) - Octopus: On-device language model for function calling of software APIs [9.78611123915888]
大きな言語モデル(LLM)は、高度なテキスト処理と生成能力のために重要な役割を果たす。
本研究は,ソフトウェアAPIの起動において,デバイス上でのLCMを活用するための新たな戦略を提案する。
論文 参考訳(メタデータ) (2024-04-02T01:29:28Z) - Leveraging Large Language Models to Improve REST API Testing [51.284096009803406]
RESTGPTはAPI仕様を入力として、機械解釈可能なルールを抽出し、仕様内の自然言語記述からサンプルパラメータ値を生成する。
評価の結果、RESTGPTはルール抽出と値生成の両方において既存の技術よりも優れています。
論文 参考訳(メタデータ) (2023-12-01T19:53:23Z) - Evaluating Pre-trained Language Models for Repairing API Misuses [15.17607624946389]
APIの誤用は、ソフトウェアバグやクラッシュ、脆弱性につながることが多い。
最近の研究では、テストスーツベースの自動プログラム修復(APR)ツールが、API誤用の修復に有効でないことが判明した。
我々は,現在最先端の汎用PLMの9つと,APRツールの2つを含む,11種類の学習支援APRツールに関する総合的研究を行った。
以上の結果から, PLMはAPI誤用を修復する際のAPRツールよりも優れた性能を示した。
論文 参考訳(メタデータ) (2023-10-25T06:10:22Z) - APICom: Automatic API Completion via Prompt Learning and Adversarial
Training-based Data Augmentation [6.029137544885093]
APIレコメンデーションは、開発者が多数の候補APIの中で必要なAPIを見つけるのを支援するプロセスである。
これまでの研究では、主にAPIレコメンデーションをレコメンデーションタスクとしてモデル化していた。
ニューラルネットワーク翻訳研究領域に動機づけられたこの問題を生成タスクとしてモデル化することができる。
提案手法は,プロンプト学習に基づく新しいアプローチAPIComを提案し,そのプロンプトに応じてクエリに関連するAPIを生成する。
論文 参考訳(メタデータ) (2023-09-13T15:31:50Z) - ToolLLM: Facilitating Large Language Models to Master 16000+ Real-world
APIs [104.37772295581088]
オープンソースの大規模言語モデル(LLM)、例えばLLaMAは、ツール使用能力に大きく制限されている。
データ構築、モデルトレーニング、評価を含む汎用ツールであるToolLLMを紹介する。
ツール使用のためのインストラクションチューニングフレームワークであるToolBenchを,ChatGPTを使って自動構築する。
論文 参考訳(メタデータ) (2023-07-31T15:56:53Z) - Learning to Learn from APIs: Black-Box Data-Free Meta-Learning [95.41441357931397]
データフリーなメタラーニング(DFML)は、トレーニングデータにアクセスせずに事前訓練されたモデルの集合からメタラーニングすることで、新しいタスクの効率的な学習を可能にすることを目的としている。
既存のDFMLの作業は、(i)ホワイトボックスと(ii)小規模事前訓練モデルからしかメタ学習できない。
ブラックボックスAPIの集合から単一のモデルへ,より一般的なメタ知識を伝達するための,バイレベルデータフリーなメタ知識蒸留(BiDf-MKD)フレームワークを提案する。
論文 参考訳(メタデータ) (2023-05-28T18:00:12Z) - Evaluating Embedding APIs for Information Retrieval [51.24236853841468]
ドメインの一般化と多言語検索における既存のセマンティック埋め込みAPIの機能を評価する。
BM25の結果をAPIを使って再ランク付けすることは、予算に優しいアプローチであり、英語でもっとも効果的である。
非英語検索では、再ランク付けは結果を改善するが、BM25のハイブリッドモデルは高いコストで機能する。
論文 参考訳(メタデータ) (2023-05-10T16:40:52Z) - Improving the Learnability of Machine Learning APIs by Semi-Automated
API Wrapping [0.0]
学習や使用が容易なAPIを作成するという課題に,特に初心者が対処しています。
広く使われているML API skl のこの問題について検討する。
クライアントプログラムに影響を与えることなく、排除できるAPIの未使用部分と明らかに役に立たない部分を特定します。
論文 参考訳(メタデータ) (2022-03-29T12:42:05Z) - Towards Lifelong Learning of End-to-end ASR [81.15661413476221]
lifelong learningは、マシンが新しいデータセットから新しいタスクをシーケンシャルに学習できるようにすることを目的としている。
WERの28.7%の相対的な減少は、3つの非常に異なるベンチマークコーポラを順次学習する場合の微調整ベースラインと比較して達成された。
論文 参考訳(メタデータ) (2021-04-04T13:48:53Z) - Graph-based, Self-Supervised Program Repair from Diagnostic Feedback [108.48853808418725]
本稿では,ソースコードの修復や診断フィードバックに関連するシンボルを結合するプログラムフィードバックグラフを提案する。
次に、推論プロセスのモデル化にグラフニューラルネットワークを適用します。
オンラインで利用可能なラベルのないプログラムを活用するプログラム修復のための自己指導型学習パラダイムを提案する。
論文 参考訳(メタデータ) (2020-05-20T07:24:28Z)
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。