数据驱动的AI模型信号感知增强与自省
软件工程
2022-01-11 v2 人工智能
摘要
用于源代码理解任务的AI建模已取得显著进展，并正被采用于生产开发流水线中。然而，可靠性问题尤其是模型是否真正学习了源代码与任务相关的方面正受到关注。尽管近期的模型探测方法已观察到许多面向代码的AI模型缺乏信号感知，即模型未捕获任务相关信号，但它们未提供纠正该问题的方案。在本文中，我们探索增强模型信号感知的数据驱动方法：1）我们将软件工程（SE）中的代码复杂度概念与AI的课程学习技术相结合；2）我们通过定制Delta Debugging生成保留信号的简化程序，并将其扩充至训练数据集，从而将SE辅助融入AI模型。借助我们的技术，我们实现了高达4.8倍的模型信号感知提升。利用代码复杂度这一概念，我们进一步从数据集视角提出了一种新颖的模型学习自省方法。
引用
@article{arxiv.2111.05827,
title = {Data-Driven AI Model Signal-Awareness Enhancement and Introspection},
author = {Sahil Suneja and Yufan Zhuang and Yunhui Zheng and Jim Laredo and Alessandro Morari},
journal= {arXiv preprint arXiv:2111.05827},
year = {2022}
}
备注
Fixed author email ids