GLAD：用于修复遗漏错误的神经谓词合成

现有的基于模板与学习的自动程序修复（APR）工具已成功为许多基准错误找到补丁。然而，我们对现有结果的分析表明，遗漏错误对这些技术构成显著挑战。对于基于模板的方法，遗漏错误未提供可应用模板的位置；对于将修复建模为神经机器翻译（NMT）的基于学习的方法，遗漏错误同样未提供待翻译的错误代码。为解决这些问题，我们提出 GLAD，一种专门面向 if 子句合成的新型基于学习的修复技术。GLAD 不需要错误行，因其基于生成式语言模型（LMs）而非机器翻译；因此，它能修复遗漏错误。GLAD 利用基于类型的文法智能约束语言模型。此外，它通过使用调试器对候选补丁进行动态排序，高效降低验证成本。得益于从翻译到合成的转变，GLAD 与现有技术高度正交：GLAD 能正确修复此前基于 NMT 的技术无法修复的 16 个 Defects4J v1.2 错误，同时保持合理运行成本，凸显其作为 APR 工具的实用性及在实践中补充现有工具的潜力。对 GLAD 修复错误的检视揭示，GLAD 能快速生成对其他技术颇具挑战的表达式。