論文の概要: RENAS: Prioritizing Co-Renaming Opportunities of Identifiers
- arxiv url: http://arxiv.org/abs/2408.09716v1
- Date: Mon, 19 Aug 2024 06:13:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-20 17:34:18.812372
- Title: RENAS: Prioritizing Co-Renaming Opportunities of Identifiers
- Title（参考訳）: RENAS: 識別子の共改名オプションの優先順位付け
- Authors: Naoki Doi, Yuki Osumi, Shinpei Hayashi,
- Abstract要約: この手法はJavaアプリケーションで同時に名前を変えなければならない関連する識別子を特定し、推奨するものである。
ReNASは、識別子間の関係と類似性に基づいて、候補をリネームするための優先度スコアを決定する。
ReNASは既存のリネーム推奨手法と比較してF1対策を0.11以上改善した。
- 参考スコア（独自算出の注目度）: 1.1688548469063846
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Renaming identifiers in source code is a common refactoring task in software development. When renaming an identifier, other identifiers containing words with the same naming intention related to the renaming should be renamed simultaneously. However, identifying these related identifiers can be challenging. This study introduces a technique called RENAS, which identifies and recommends related identifiers that should be renamed simultaneously in Java applications. RENAS determines priority scores for renaming candidates based on the relationships and similarities among identifiers. Since identifiers that have a relationship and/or have similar vocabulary in the source code are often renamed together, their priority scores are determined based on these factors. Identifiers with higher priority are recommended to be renamed together. Through an evaluation involving real renaming instances extracted from change histories and validated manually, RENAS demonstrated an improvement in the F1-measure by more than 0.11 compared with existing renaming recommendation approaches.
- Abstract（参考訳）: ソースコード内の識別子をリネームすることは、ソフトウェア開発において一般的なリファクタリングタスクである。
識別子をリネームする場合、リネームに関連する同じ命名意図を持つ単語を含む他の識別子を同時にリネームする必要がある。
しかし、これらの関連する識別子を特定することは困難である。
この手法はJavaアプリケーションで同時に名前を変えなければならない関連する識別子を特定し、推奨するものである。
RENASは、識別子間の関係と類似性に基づいて、候補を改名するための優先度スコアを決定する。
ソースコードに類似した語彙や関係を持つ識別子は、しばしば一緒に改名されるため、これらの因子に基づいて優先度スコアが決定される。
優先度の高い識別器は、一緒に改名することが推奨される。
変更履歴から抽出され手動で検証された実リネームインスタンスの評価を通じて、RENASは既存のリネーム推奨手法と比較してF1尺度を0.11以上改善した。
関連論文リスト
- Reproducing, Extending, and Analyzing Naming Experiments [0.23456696459191312]
開発者が名前を選択する方法に関する最近の調査では、異なる開発者が同じオブジェクトに対して与えた名前を収集している。
これにより、これらの名前の多様性と構造の研究が可能となり、名前の作り方に関するモデルの構築が可能となった。
我々はこの研究の様々な部分を3つの独立した実験で再現した。
論文 参考訳（メタデータ） (2024-02-15T15:39:54Z) - RefBERT: A Two-Stage Pre-trained Framework for Automatic Rename
Refactoring [57.8069006460087]
本研究では,他のリネーム活動よりも難易度の高い変数名の自動改名について検討する。
変数名に対する名前変更のための2段階事前訓練フレームワークであるRefBERTを提案する。
RefBERTの変数名は既存の手法よりも正確で有意義であることを示す。
論文 参考訳（メタデータ） (2023-05-28T12:29:39Z) - Multiview Identifiers Enhanced Generative Retrieval [78.38443356800848]
生成検索は、検索対象の通路の識別子文字列を生成する。
本稿では,パスの内容に基づいて生成される新しいタイプの識別子,合成識別子を提案する。
提案手法は生成的検索において最善を尽くし,その有効性とロバスト性を実証する。
論文 参考訳（メタデータ） (2023-05-26T06:50:21Z) - Disambiguation of Company names via Deep Recurrent Networks [101.90357454833845]
企業名文字列の埋め込みである教師付き学習を通じて,Siamese LSTM Network を抽出する手法を提案する。
私たちは、ラベル付けされるサンプルを優先するActive Learningアプローチが、より効率的な全体的な学習パイプラインをもたらす方法を分析します。
論文 参考訳（メタデータ） (2023-03-07T15:07:57Z) - Refining Pseudo Labels with Clustering Consensus over Generations for
Unsupervised Object Re-identification [84.72303377833732]
教師なしのオブジェクト再識別は、アノテーションなしでオブジェクト検索のための識別表現を学習することを目的としている。
本稿では,クラスタリングコンセンサスを用いた連続学習世代間の擬似ラベル類似性を推定し,時間的に伝播およびアンサンブルされた擬似ラベルを用いた洗練された擬似ラベルを提案する。
提案する擬似ラベル精錬戦略は単純だが有効であり、既存のクラスタリングに基づく教師なし再同定手法にシームレスに統合することができる。
論文 参考訳（メタデータ） (2021-06-11T02:42:42Z) - Re-identification = Retrieval + Verification: Back to Essence and
Forward with a New Metric [88.96593495602923]
我々は、新しい再同定指標として、Genuine Open-set re-ID Metric (GOM)を提案する。
GOMは、検索と検証を行う効果を単一の統一メトリックにバランスさせる。
GOMはリID性能の人間の視覚的評価と整合性に優れる。
論文 参考訳（メタデータ） (2020-11-23T16:11:19Z) - OCoR: An Overlapping-Aware Code Retriever [15.531119719750807]
自然言語による記述が与えられた場合、コード検索は一連のコードの中で最も関連性の高いコードを探すことを目的としている。
既存の最先端アプローチでは、ニューラルネットワークをコード検索に適用している。
我々はOCoRという新しいニューラルアーキテクチャを提案し、オーバーラップを捉えるために2つの特別に設計されたコンポーネントを紹介した。
論文 参考訳（メタデータ） (2020-08-12T09:43:35Z) - Interpretability Analysis for Named Entity Recognition to Understand
System Predictions and How They Can Improve [49.878051587667244]
名前付きエンティティ認識のためのLSTM-CRFアーキテクチャの性能について検討する。
文脈表現はシステムの性能に寄与するが、ハイパフォーマンスを駆動する主な要因は、名前トークン自体を学習することにある。
我々は、コンテキストのみからエンティティタイプを推測する可能性を評価するために、人間アノテーションを登録し、コンテキストのみのシステムによるエラーの大部分に対してエンティティタイプを推論することはできないが、改善の余地はいくつかある。
論文 参考訳（メタデータ） (2020-04-09T14:37:12Z)
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。