MPLinker：基于对抗训练的多模板提示微调用于Issue-commit链接恢复
软件工程
2025-02-03 v1
摘要
近年来，被称为提示微调的预训练、提示与预测范式在自然语言处理（NLP）中取得了显著成功。软件可追溯性中的Issue-commit链接恢复在提高软件系统的可靠性、质量和安全性方面发挥着重要作用。当前的ILR方法利用预训练语言模型和专用神经网络将ILR转换为分类任务。这些方法未能充分利用PLMs中蕴含的语义信息，导致无法达到令人接受的性能。为了解决这一局限性，我们引入了一种新范式：基于对抗训练的多模板提示微调用于Issue-commit链接恢复。MPLinker通过基于模板的提示微调将ILR任务重新定义为完形填空任务，并结合对抗训练以增强模型泛化能力并减少过拟合。我们在六个开源项目上使用一套全面的性能指标对MPLinker进行了评估。实验结果表明，MPLinker实现了96.10%的平均F1分数、96.49%的精确率、95.92%的召回率、94.04%的MCC、96.05%的AUC和98.15%的ACC，显著优于现有的最先进方法。总体而言，MPLinker提高了ILR模型的性能和泛化能力，并为ILR引入了创新的概念和方法。MPLinker的复现包可在 https://github.com/WTU-intelligent-software-development/MPLinker 获取。
引用
@article{arxiv.2501.19026,
title = {MPLinker: Multi-template Prompt-tuning with Adversarial Training for Issue-commit Link Recovery},
author = {Bangchao Wang and Yang Deng and Ruiqi Luo and Peng Liang and Tingting Bi},
journal= {arXiv preprint arXiv:2501.19026},
year = {2025}
}
备注
Preprint accepted for publication in Journal of Systems and Software, 2025