GrACE：利用关联代码编辑进行生成
软件工程
2023-09-22 v3 机器学习
摘要
开发者出于修复缺陷或添加新功能等多种原因会耗费大量时间编辑代码。由于代码编辑的多样性以及捕获开发者意图的困难，设计预测代码编辑的有效方法一直是一个活跃而富有挑战性的研究领域。在本工作中，我们通过将先前相关编辑的知识赋予预训练的代码大语言模型（LLM）来应对这些挑战。LLM 的生成能力有助于应对代码变更的多样性，而以先前编辑为条件进行代码生成有助于捕获潜在的开发者意图。我们分别以零样本和微调设置评估了两个知名的 LLM：Codex 和 CodeT5。在使用两个数据集的实验中，先前编辑的知识显著提升了 LLM 的性能，使其相对于当前最先进的符号与神经方法，在 top-1 建议中分别多生成 29% 和 54% 的正确编辑代码。
引用
@article{arxiv.2305.14129,
title = {GrACE: Generation using Associated Code Edits},
author = {Priyanshu Gupta and Avishree Khare and Yasharth Bajpai and Saikat Chakraborty and Sumit Gulwani and Aditya Kanade and Arjun Radhakrishna and Gustavo Soares and Ashish Tiwari},
journal= {arXiv preprint arXiv:2305.14129},
year = {2023}
}