論文の概要: Dopamin: Transformer-based Comment Classifiers through Domain Post-Training and Multi-level Layer Aggregation

• arxiv url: http://arxiv.org/abs/2408.04663v1
• Date: Tue, 6 Aug 2024 08:08:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-12 17:39:53.780865
• Title: Dopamin: Transformer-based Comment Classifiers through Domain Post-Training and Multi-level Layer Aggregation
• Title（参考訳）: Dopamin: ドメイン・ポスト・トレーニングとマルチレベル・レイヤ・アグリゲーションによるトランスフォーマーによるコメント分類
• Authors: Nam Le Hai, Nghi D. Q. Bui,
• Abstract要約: 過剰なコメントは無意味で非生産的です。 本稿では,この問題を解決するためのトランスフォーマーベースのツールであるDopaminを紹介する。 本モデルは,複数の言語にまたがる共通カテゴリの知識共有を行うだけでなく,コメント分類における堅牢な性能を実現する上でも優れている。
• 参考スコア（独自算出の注目度）: 6.3403707560721845
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Code comments provide important information for understanding the source code. They can help developers understand the overall purpose of a function or class, as well as identify bugs and technical debt. However, an overabundance of comments is meaningless and counterproductive. As a result, it is critical to automatically filter out these comments for specific purposes. In this paper, we present Dopamin, a Transformer-based tool for dealing with this issue. Our model excels not only in presenting knowledge sharing of common categories across multiple languages, but also in achieving robust performance in comment classification by improving comment representation. As a result, it outperforms the STACC baseline by 3% on the NLBSE'24 Tool Competition dataset in terms of average F1-score, while maintaining a comparable inference time for practical use. The source code is publicity available at https://github.com/FSoft-AI4Code/Dopamin.
• Abstract（参考訳）: コードコメントは、ソースコードを理解するための重要な情報を提供する。 開発者は関数やクラスの全体的な目的を理解し、バグや技術的負債を特定するのに役立つ。 しかし、多くのコメントが無意味であり、反生産的である。 結果として、これらのコメントを特定の目的のために自動的にフィルタリングすることが重要である。 本稿では,この問題を解決するためのトランスフォーマーベースのツールであるDopaminを紹介する。 提案モデルは,複数の言語にまたがる共通カテゴリの知識共有だけでなく,コメント表現の改善によるコメント分類における堅牢な性能向上にも寄与する。 結果として、STACCベースラインを平均的なF1スコアでNLBSE'24ツールコンペティションデータセットで3%上回り、実用的な使用に匹敵する推論時間を維持している。 ソースコードはhttps://github.com/FSoft-AI4Code/Dopamin.comで公開されている。

関連論文リスト

• COMCAT: Leveraging Human Judgment to Improve Automatic Documentation and Summarization [4.1491806566512235]
  COMCATは、専門知識のあるコンテキストで大規模言語モデルを拡張することで、コメント生成を自動化するアプローチである。 C/C++ファイルにコメントを付けるためのCOMCATパイプラインを開発し、(1)コメントを配置する適切な場所を自動的に識別し、(2)各場所について最も有用なタイプのコメントを予測し、(3)選択した場所とコメントタイプに基づいてコメントを生成する。 被験者の87%に対して,COMCATが生成したコメントは,3つの指示的ソフトウェアエンジニアリングタスクにおける開発者のコード理解を最大12%向上させることを示した。
  論文  参考訳（メタデータ） (2024-07-18T16:26:31Z)
• Comments as Natural Logic Pivots: Improve Code Generation via Comment Perspective [85.48043537327258]
  本稿では, MANGO (comMents As Natural loGic pivOts) を提案する。 その結果、MANGOは強いベースラインに基づいてコードパス率を大幅に改善することがわかった。 論理的なコメントの復号化戦略の堅牢性は、考えの連鎖よりも顕著に高い。
  論文  参考訳（メタデータ） (2024-04-11T08:30:46Z)
• BOOST: Harnessing Black-Box Control to Boost Commonsense in LMs' Generation [60.77990074569754]
  本稿では,凍結した事前学習言語モデルを,より汎用的な生成に向けて操る,計算効率のよいフレームワークを提案する。 具体的には、まず、文に常識的スコアを割り当てる参照なし評価器を構築する。 次に、スコアラをコモンセンス知識のオラクルとして使用し、NADOと呼ばれる制御可能な生成法を拡張して補助ヘッドを訓練する。
  論文  参考訳（メタデータ） (2023-10-25T23:32:12Z)
• Leveraging Generative AI: Improving Software Metadata Classification with Generated Code-Comment Pairs [0.0]
  ソフトウェア開発では、コードの理解とコラボレーションを強化する上で、コードコメントが重要な役割を果たす。 本研究では,コードコメントを「有用」あるいは「有用でない」と客観的に分類する課題について論じる。 本稿では,この分類プロセスを自動化するために,コンテキスト化された埋め込み,特にBERTを利用する新しいソリューションを提案する。
  論文  参考訳（メタデータ） (2023-10-14T12:09:43Z)
• Generating Benchmarks for Factuality Evaluation of Language Models [61.69950787311278]
  FACTOR: Factual Assessment via Corpus Transformation, a scalable approach for LM factuality。 FACTORは、興味のある事実のコーパスをLMの正当性を評価するベンチマークに自動的に変換し、コーパスから真事実を生成する。 その結果, (i) ベンチマークスコアはモデルサイズに応じて増加し, LMが検索によって拡張されたときに向上する; (ii) ベンチマークスコアとパープレキシティは必ずしもモデルランキングに一致しない; (iii) パープレキシティとベンチマークスコアが一致しない場合, 後者はオープンエンド世代における事実性を反映する。
  論文  参考訳（メタデータ） (2023-07-13T17:14:38Z)
• STACC: Code Comment Classification using SentenceTransformers [4.438873396405334]
  本稿では,SentenceTransformers ベースのバイナリ分類器の集合 STACC を提案する。 それらは、NLBSEコードコメント分類ツールコンペティションデータセットでトレーニングされ、テストされている。 彼らはベースラインをかなり上回り、平均F1スコアは0.74であり、ベースラインは0.31であり、改善率は139%である。
  論文  参考訳（メタデータ） (2023-02-25T20:24:58Z)
• CodeScore: Evaluating Code Generation by Learning Code Execution [34.08307174529496]
  本稿では,3つの入力フォーマット上で生成されたコードの関数的正当性を推定する大規模言語モデル(LLM)ベースのCEMであるCodeScoreを提案する。 CodeScoreは、他のCEMと比較して58.87%の相関性を向上し、最先端のパフォーマンスを達成し、3つの入力フォーマットを効果的に扱う。
  論文  参考訳（メタデータ） (2023-01-22T02:59:59Z)
• Weakly-Supervised Aspect-Based Sentiment Analysis via Joint Aspect-Sentiment Topic Embedding [71.2260967797055]
  アスペクトベース感情分析のための弱教師付きアプローチを提案する。 We learn sentiment, aspects> joint topic embeddeds in the word embedding space。 次に、ニューラルネットワークを用いて単語レベルの識別情報を一般化する。
  論文  参考訳（メタデータ） (2020-10-13T21:33:24Z)
• Deep Just-In-Time Inconsistency Detection Between Comments and Source Code [51.00904399653609]
  本稿では,コード本体の変更によりコメントが矛盾するかどうかを検出することを目的とする。 私たちは、コメントとコードの変更を関連付けるディープラーニングアプローチを開発しています。 より包括的な自動コメント更新システムを構築するために,コメント更新モデルと組み合わせて提案手法の有用性を示す。
  論文  参考訳（メタデータ） (2020-10-04T16:49:28Z)
• Code to Comment "Translation": Data, Metrics, Baselining & Evaluation [49.35567240750619]
  本稿では,この課題に対する最近のコード・コンパートメント・データセットについて分析する。 それらをWMT19と比較する。WMT19は、アート自然言語翻訳者の状態のトレーニングに頻繁に使用される標準データセットである。 ソースコードデータとWMT19自然言語データの間には,いくつかの興味深い違いがある。
  論文  参考訳（メタデータ） (2020-10-03T18:57:26Z)

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。