論文の概要: GraphSense: Graph Embedding Based Code Suggestion Framework

• arxiv url: http://arxiv.org/abs/2503.08648v1
• Date: Tue, 11 Mar 2025 17:39:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 15:45:12.920398
• Title: GraphSense: Graph Embedding Based Code Suggestion Framework
• Title（参考訳）: GraphSense: グラフ埋め込みベースのコード提案フレームワーク
• Authors: H. R Navod Thisura Peiris,
• Abstract要約: GPTベースのモデルは、ローカル環境でのリアルタイムコード提案には遅すぎたり、リソース集約的だったりします。 このGraphSenseのソリューションとして、リアルタイムに最小限のリソース使用量でコード提案を提供する方法が導入された。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Code suggestions have become an integral part of IDEs and developers use code suggestions generated by IDEs all the time. These code suggestions are mostly for calling a method of an object or for using a function of a library and not for possible next line of the code. GPT based models are too slow or resource intensive for real-time code suggestions in local environments. As a solution to this GraphSense was introduced which provide code suggestions with minimum amount of resource usage in real-time.
• Abstract（参考訳）: コード提案はIDEの不可欠な部分となり、開発者はIDEが生成するコード提案を常に使っている。 これらのコード提案は、主にオブジェクトのメソッドを呼び出すためや、ライブラリの関数を使用するためであり、コードの次の行の可能性があるためではない。 GPTベースのモデルは、ローカル環境でのリアルタイムコード提案には遅すぎたり、リソース集約的だったりします。 このGraphSenseのソリューションとして、リアルタイムに最小限のリソース使用量でコード提案を提供する方法が導入された。

関連論文リスト

• Interactive Diagrams for Software Documentation [2.3403895216018586]
  Helvegという名前のプロトタイプは、C#コードを分析して視覚化することができる。 ダイアグラムはインタラクティブでフィルタ可能で、需要の詳細を提供する。
  論文  参考訳（メタデータ） (2024-07-31T14:13:33Z)
• CodeScholar: Growing Idiomatic Code Examples [26.298684667238994]
  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。
  論文  参考訳（メタデータ） (2023-12-23T04:06:15Z)
• Coeditor: Leveraging Contextual Changes for Multi-round Code Auto-editing [57.776971051512234]
  本研究では,複数ラウンドのコードの自動編集設定について検討し,その内部の最近の変更に基づいて,コード領域への編集を予測することを目的とした。 我々のモデルであるCoeditorは、コード編集タスクに特化して設計された微調整言語モデルである。 単純化されたシングルラウンドのシングル編集タスクでは、Coeditor は GPT-3.5 と SOTA のオープンソースコード補完モデルを大幅に上回っている。
  論文  参考訳（メタデータ） (2023-05-29T19:57:36Z)
• SkCoder: A Sketch-based Approach for Automatic Code Generation [44.39900916450189]
  そこで我々は,SkCoderというスケッチベースのコード生成手法を提案する。 自然言語の要件が与えられたら、SkCoderは同様のコードスニペットを取得し、コードスケッチとして関連する部分を抽出し、スケッチを所望のコードに編集する。 実験結果によると、SkCoderはより正確なプログラムを生成でき、3つのデータセットで最先端のCodeT5ベースを30.30%、35.39%、29.62%上回っている。
  論文  参考訳（メタデータ） (2023-02-13T07:05:39Z)
• Code Librarian: A Software Package Recommendation System [65.05559087332347]
  オープンソースライブラリ用のリコメンデーションエンジンであるLibrarianを提示する。 1)プログラムのインポートライブラリで頻繁に使用されること、2)プログラムのインポートライブラリと似た機能を持つこと、3)開発者の実装と似た機能を持つこと、4)提供されるコードのコンテキストで効率的に使用できること、である。
  論文  参考訳（メタデータ） (2022-10-11T12:30:05Z)
• Tackling Long Code Search with Splitting, Encoding, and Aggregating [67.02322603435628]
  長いコード検索のための新しいベースラインSEA(Split, Encode, Aggregate)を提案する。 長いコードをコードブロックに分割し、これらのブロックを埋め込みにエンコードし、それらを集約して包括的な長いコード表現を得る。 エンコーダとしてGraphCodeBERTを使用すると、SEAはコードSearchNetベンチマークでGraphCodeBERTよりも10.1%高い0.785という総合的な平均逆ランキングスコアを達成する。
  論文  参考訳（メタデータ） (2022-08-24T02:27:30Z)
• 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)
• Learning Deep Implicit Functions for 3D Shapes with Dynamic Code Clouds [56.385495276042406]
  Deep Implicit Function (DIF) は効率的な3次元形状表現として人気を集めている。 我々は、DCC-DIFという名前のDynamic Code CloudでDIFを学ぶことを提案する。 本手法は,局所符号と学習可能な位置ベクトルを明示的に関連付け,位置ベクトルは連続であり,動的に最適化できる。
  論文  参考訳（メタデータ） (2022-03-26T11:07:59Z)
• CodeRetriever: Unimodal and Bimodal Contrastive Learning [128.06072658302165]
  関数レベルのコードセマンティック表現を訓練するために,一様および二様のコントラスト学習を組み合わせたCodeRetrieverモデルを提案する。 ノンモーダルなコントラスト学習のために、文書と関数名に基づいてポジティブなコードペアを構築するためのセマンティックガイド付き手法を設計する。 バイモーダルなコントラスト学習では、コードのドキュメンテーションとインラインコメントを活用して、テキストコードペアを構築します。
  論文  参考訳（メタデータ） (2022-01-26T10:54:30Z)
• DeSkew-LSH based Code-to-Code Recommendation Engine [3.7011129410662558]
  ソースコード上の機械学習のための新しいコード・ツー・コードレコメンデーションエンジンであるemphSenatusを紹介する。 SenatusのコアとなるemphDe-Skew LSHは、ローカリティに敏感なハッシュアルゴリズムで、高速(サブ線形時間)検索のためにデータをインデックスする。 コード・ツー・コード・レコメンデーションのタスクにおいて、Senatusはパフォーマンスを6.7%向上し、クエリ時間16xはFacebook Aromaよりも高速であることを示す。
  論文  参考訳（メタデータ） (2021-11-05T16:56:28Z)
• deGraphCS: Embedding Variable-based Flow Graph for Neural Code Search [15.19181807445119]
  ソースコードを変数ベースのフローグラフに変換する学習可能なDeGraph for Code Search(deGraphCSと呼ばれる)を提案する。 C言語で記述された41,152のコードスニペットを含む大規模なデータセットをGitHubから収集しています。
  論文  参考訳（メタデータ） (2021-03-24T06:57:44Z)

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。