DataAug4Code

วิธีการเพิ่มข้อมูลสำหรับโมเดลซอร์สโค้ด

หากคุณต้องการเพิ่มกระดาษของคุณอย่าส่งอีเมลถึงเรา ให้อ่านโปรโตคอลเพื่อเพิ่มรายการใหม่และส่งคำขอดึง

เราจัดกลุ่มเอกสารตามการระบุแหล่งที่มาของรหัสการตรวจจับโคลนการตรวจจับข้อบกพร่องและการซ่อมแซมการสรุปรหัสการค้นหารหัสการสมบูรณ์ของรหัสการแปลรหัสการตอบคำถามรหัสการจำแนกปัญหาการทำนายชื่อวิธีและการทำนายประเภท

ที่เก็บนี้ขึ้นอยู่กับบทความการเพิ่มข้อมูลซอร์สโค้ดสำหรับการเรียนรู้อย่างลึกซึ้ง: การสำรวจ คุณสามารถอ้างอิงได้ดังนี้:

 @article{zhuo2023source,
      title={Source Code Data Augmentation for Deep Learning: A Survey}, 
      author={Terry Yue Zhuo and Zhou Yang and Zhensu Sun and Yufei Wang and Li Li and Xiaoning Du and Zhenchang Xing and David Lo},
      year={2023},
      eprint={2305.19915},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

ผู้เขียน: Terry Yue Zhuo, Zhou Yang, Zhensu Sun, Yufei Wang, Li Li, Xiaoning DU, Zhenchang Xing, David Lo

หมายเหตุ: WIP จะมีการเพิ่มเอกสารเพิ่มเติมจากกระดาษสำรวจของเราไปยัง repo นี้ในไม่ช้า การสอบถามควรถูกส่งไปยัง [email protected] หรือเปิดปัญหาที่นี่

รหัสการเขียนรหัส

กระดาษ	ชุดข้อมูลการประเมินผล
การโจมตีตามธรรมชาติสำหรับโมเดลที่ผ่านการฝึกอบรมมาก่อน (ICSE'22)	GCJ
Ropgen: ไปสู่การระบุแหล่งที่มาของรหัสที่มีประสิทธิภาพผ่านการแปลงรูปแบบการเข้ารหัสอัตโนมัติ (ICSE'22)	GCJ, GitHub
การเพิ่มการเรียนรู้ซอร์สโค้ดด้วยการเพิ่มข้อมูล (Arxiv'23)	GCJ
โค้ดที่แตกต่างกันเป็นแนวทางในการสร้างตัวอย่างสำหรับโมเดลรหัสลึก ASE'23	GCJ

การตรวจหาโคลน

กระดาษ	ชุดข้อมูล
การเรียนรู้การแสดงรหัสความคมชัด (EMNLP'22)	JavaScript (เฉพาะกระดาษ)
การเพิ่มข้อมูลโดยการแปลงโปรแกรม (JSS'22)	BCB
การโจมตีตามธรรมชาติสำหรับโมเดลที่ผ่านการฝึกอบรมมาก่อน (ICSE'22)	BigCloneBench
ปลดปล่อยพลังของการเป็นตัวแทนของคอมไพเลอร์ระดับกลางเพื่อปรับปรุงการฝังโปรแกรมประสาท (ICSE'22)	POJ-104, GCJ
HELOC: การเรียนรู้แบบตรงกันข้ามกับการแสดงซอร์สโค้ด (ICPC'22)	GCJ, Ojclone
คอมโบ: การฝึกอบรมก่อนการฝึกอบรมรหัสไบนารีโดยใช้การเรียนรู้แบบตัดกัน (Arxiv'22)	Binarycorp-3m
การประเมินผลการเรียนรู้ที่แตกต่างกับการแสดงรหัสต่างๆสำหรับการตรวจจับการโคลนรหัส (Arxiv'22)	POJ-104, CodeForces
สู่การเรียนรู้ (DIS)-ความคล้ายคลึงกันของซอร์สโค้ดจากความแตกต่างของโปรแกรม (ACL'22)	POJ-104, BigCloneBench
REACC: กรอบความสมบูรณ์ของรหัสการเรียกคืน (ACL'22)	ตัวประมวลผล
เชื่อมโยงโมเดลที่ผ่านการฝึกอบรมมาก่อนและงานดาวน์สตรีมสำหรับการทำความเข้าใจซอร์สโค้ด (ICSE'22)	POJ-104
การเพิ่มการเรียนรู้ซอร์สโค้ดด้วยการเพิ่มข้อมูล: การศึกษาเชิงประจักษ์ (Arxiv'23)	BigCloneBench
Clawsat: ไปสู่โมเดลรหัสที่แข็งแกร่งและแม่นยำ (Saner'22)	-
Contrabert: การปรับปรุงโมเดลที่ผ่านการฝึกอบรมของรหัสผ่านการเรียนรู้แบบตรงกันข้าม (ICSE'22)	POJ-104
เส้นทางที่จะใช้ประโยชน์จากการเพิ่มข้อมูลที่ใช้ transcompiler สำหรับการตรวจจับโคลนข้ามภาษา (ICPC'23)	CLCDSA
การสร้างตัวอย่างที่แตกต่างจากรหัสการสร้างแบบจำลองรหัสลึก (ASE'23	BigCloneBench
วิธีการฝึกอบรมล่วงหน้าสำหรับการแสดงรหัสขั้นสูงขึ้นอยู่กับการเรียนรู้แบบหลายรูปแบบ (JOS'23)	POJ-104, BigCloneBench
คองคอร์ด: การเรียนรู้ที่แตกต่างจากโคลนสำหรับซอร์สโค้ด (ISSTA'23)	Codenet (Java), POJ104
Neuro-Symbolic zero-shot code cloning ด้วยการแสดงข้ามภาษากลาง (Arxiv'23)	Codenet (C, COBOL)
การโจมตีแบ็คดอร์หลายเป้าหมายสำหรับโมเดลที่ผ่านการฝึกอบรมของรหัส (ACL'23)	BCB

การตรวจจับและซ่อมแซมข้อบกพร่อง

กระดาษ	ชุดข้อมูล
ตัวอย่างที่เป็นปฏิปักษ์สำหรับแบบจำลองของรหัส (oopsla'20)	Varmisuse
การตรวจจับข้อผิดพลาดและการซ่อมแซมตนเอง (Neurips'21)	Randombugs, pypibugs
ความเข้าใจด้านความเข้าใจด้านความหมายของรหัสฝ่ายตรงข้าม (coling'22)	ข้อบกพร่อง 4J
การฝังรหัสที่ไวต่อพา ธ ผ่านการเรียนรู้แบบตรงกันข้ามสำหรับการตรวจจับช่องโหว่ซอฟต์แวร์ (ISSTA'22)	d2a, fan, devign
การโจมตีตามธรรมชาติสำหรับโมเดลที่ผ่านการฝึกอบรมมาก่อน (ICSE'22)	เวทมนตร์
คอมโบ: การฝึกอบรมก่อนการฝึกอบรมรหัสไบนารีโดยใช้การเรียนรู้แบบตัดกัน (Arxiv'22)	Sysevr
สู่การเรียนรู้ (DIS)-ความคล้ายคลึงกันของซอร์สโค้ดจากความแตกต่างของโปรแกรม (ACL'22)	เปิดเผย codexglue
การเพิ่มการเรียนรู้ซอร์สโค้ดด้วยการเพิ่มข้อมูล: การศึกษาเชิงประจักษ์ (Arxiv'23)	refactory, codrep1
MixCode: การเพิ่มการจำแนกรหัสโดยการเพิ่มข้อมูลแบบผสมผสาน (Saner'23)	refactory, codrep1
Contrabert: การปรับปรุงโมเดลที่ผ่านการฝึกอบรมของรหัสผ่านการเรียนรู้แบบตรงกันข้าม (ICSE'23)	เวทมนตร์
การสร้างตัวอย่างที่แตกต่างจากรหัสการสร้างแบบจำลองรหัสลึก (ASE'23)	Devign, CodeChef
Mufin: การปรับปรุงรูปแบบการซ่อมแซมประสาทด้วยการแปลกลับ (Arxiv'23)	ข้อบกพร่อง 4J (เฉพาะกระดาษ), quixbugs (เฉพาะกระดาษ)
การใช้ประโยชน์จากการอนุมานเชิงสาเหตุสำหรับการซ่อมแซมโปรแกรมอัตโนมัติที่อธิบายได้ (ijcnn'22)	ข้อบกพร่อง 4j, quixbugs, bugaid
DeepDebug: แก้ไขข้อบกพร่องของงูหลามโดยใช้ร่องรอยสแต็ก backtranslation และโครงกระดูกรหัส (arxiv'21)	เฉพาะกระดาษ
break-it-fix-it: การเรียนรู้ที่ไม่ได้รับการดูแลสำหรับการซ่อมแซมโปรแกรม (Arxiv'21)	deepfix เฉพาะกระดาษ
การโจมตีแบ็คดอร์หลายเป้าหมายสำหรับโมเดลที่ผ่านการฝึกอบรมของรหัส (ACL'23)	Devign bug2fix
inferfix: การซ่อมแซมโปรแกรมแบบ end-to-end ด้วย LLMS มากกว่าการดึงข้อมูลพร้อมท์ (Arxiv'23)	ที่อนุมานได้
RAP-GEN: การสร้างแพตช์แบบดึงข้อมูลพร้อม Codet5 สำหรับการซ่อมแซมโปรแกรมอัตโนมัติ (FSE'23)	tfix, bug2fix, ข้อบกพร่อง 4j
รายงานข้อผิดพลาดน้อยเกินไป? การสำรวจการเพิ่มข้อมูลสำหรับการแปลข้อผิดพลาดที่ได้รับการปรับปรุงให้ดีขึ้น (Arxiv'23)	ข้อมูลโลคัส

การสรุปรหัส

กระดาษ	ชุดข้อมูล
การฝึกอบรมแบบจำลองการสร้างความคิดเห็นของรหัสลึกผ่านการเพิ่มข้อมูล (InternetWare'20)	TL-codesum
การสรุปซอร์สโค้ดของระบบประสาทตามการดึงข้อมูล (ICSE'20)	PCSD, JCSD
การสร้างโปรแกรมคอมพิวเตอร์ที่เป็นปฏิปักษ์โดยใช้การทำให้งงงวยที่ดีที่สุด (ICLR'21)	Python-150k, code2seq data
การเรียนรู้การแสดงรหัสความคมชัด (EMNLP'21)	JavaScript (เฉพาะกระดาษ)
กรอบการทดสอบตามการค้นหาสำหรับเครือข่ายประสาทลึกของการฝังซอร์สโค้ด (ICST'21)	เฉพาะกระดาษ
การสร้างการเรียกคืนการรวมรหัสผ่านการสรุปรหัสผ่านไฮบริด GNN (ICLR'21)	CCSD (เฉพาะกระดาษ)
Bashexplainer: การเรียกคืนการเรียกคืนรหัสการสร้างความคิดเห็นตาม Codert ที่ปรับแต่งอย่างละเอียด (ICMSE'22)	ข้อมูล bashexplaner
การเพิ่มข้อมูลโดยการแปลงโปรแกรม (JSS'22)	com
ความทนทานของฝ่ายตรงข้ามของการสร้างความคิดเห็นรหัสลึก (Tosem'22)	CCSD (เฉพาะกระดาษ)
ไม่มีข้อมูลเพียงพอหรือไม่? การเพิ่มข้อมูลง่ายๆสำหรับการสรุปรหัส (PAAP'22)	-
ความหมายแบบความหมายของโมเดลของซอร์สโค้ด (Saner'22)	Python-150k, code2seq data
การมองอย่างใกล้ชิดกับรหัสข่าวกรองที่ใช้หม้อแปลงผ่านการแปลงรหัส: ความท้าทายและโอกาส (Arxiv'22)	CodeSearchNet (Python, Java)
Clawsat: ไปสู่โมเดลรหัสที่แข็งแกร่งและแม่นยำ (Saner'23)	-
การสำรวจการเพิ่มข้อมูลสำหรับงานสร้างรหัส (EACL'23)	CodeSearchNet (codexglue)
การสร้างความคิดเห็นทุบตีผ่านการเพิ่มข้อมูลและ Codert ที่รับรู้ความหมาย (Arxiv'23)	ข้อมูล bashexplaner
Readsum: Transferical Adaptive Transformer สำหรับการสรุปซอร์สโค้ด (Access'23)	PCSD
รถราง: กลไกการดึงข้อมูลระดับโทเค็นสำหรับการสรุปซอร์สโค้ด (Arxiv'23)	PCSD, CCSD, DeepCom
นกสองตัวที่มีหินหนึ่งก้อน: การเพิ่มการสร้างรหัสและการค้นหารหัสผ่านเครือข่ายฝ่ายตรงข้ามกำเนิด (oopsla'23)	CodeSearchNet (Python, Java)
รูปแบบภาษาที่ดีกว่าของรหัสผ่านการพัฒนาตนเอง (ACL'23)	CodeSearchNet

การค้นหารหัส

กระดาษ	ชุดข้อมูล
AugmentedCode: ตรวจสอบผลกระทบของทรัพยากรภาษาธรรมชาติในโมเดลการดึงรหัส (Arxiv'21)	CodeSearchNet
COSQA: 20, 000+ การค้นหาเว็บสำหรับการค้นหารหัสและการตอบคำถาม (ACL'21)	Cosqa
กรอบการทดสอบตามการค้นหาสำหรับเครือข่ายประสาทลึกของการฝังซอร์สโค้ด (ICST'21)	เฉพาะกระดาษ
ความเข้าใจด้านความเข้าใจด้านความหมายของรหัสฝ่ายตรงข้าม (coling'22)	CodeSearchNet
การสำรวจการเพิ่มระดับการเป็นตัวแทนสำหรับการค้นหารหัส (EMNLP'22)	CodeSearchNet
การเรียนรู้ที่ตรงกันข้ามกับการค้นหารหัส (icsme'22)	advtest, cosqa
เชื่อมโยงโมเดลที่ผ่านการฝึกอบรมมาก่อนและงานดาวน์สตรีมสำหรับการทำความเข้าใจซอร์สโค้ด (ICSE'22)	CodeSearchNet
การมองอย่างใกล้ชิดกับรหัสข่าวกรองที่ใช้หม้อแปลงผ่านการแปลงรหัส: ความท้าทายและโอกาส (Arxiv'22)	CodeSearchNet (Python, Java)
Contrabert: การปรับปรุงโมเดลที่ผ่านการฝึกอบรมของรหัสผ่านการเรียนรู้แบบตรงกันข้าม (ICSE'23)	AdvTest, WebQueryTest
Cocosoda: การเรียนรู้ที่แตกต่างอย่างมีประสิทธิภาพสำหรับการค้นหารหัส (ICSE'23)	CodeSearchNet
การเรียนรู้แบบตรงกันข้ามกับการเพิ่มข้อมูลตามคำหลักสำหรับการค้นหารหัสและการตอบคำถามรหัส (EACL'23)	webQueryTest
วิธีการฝึกอบรมล่วงหน้าสำหรับการแสดงรหัสขั้นสูงขึ้นอยู่กับการเรียนรู้แบบหลายรูปแบบ (JOS'23)	CodeSearchNet
ทบทวนคู่ลบในการค้นหารหัส (emnlp'23)	CodeSearchNet
ไปสู่การค้นหารหัสหลายภาษาที่ดีขึ้นผ่านการเรียนรู้แบบข้ามภาษา (Internetware'23)	xlcost
McOdesearcher: การเรียนรู้แบบหลายมุมมองสำหรับการค้นหารหัส (InternetWare'23)	CodeSearchNet (Python, Java), Cosqa, STAQC, WebQuery
MULCS: ไปสู่การเป็นตัวแทนลึกแบบรวมสำหรับการค้นหารหัสหลายภาษา (Saner'23)	CodeSearchNet (Python, Java), เฉพาะกระดาษ
นกสองตัวที่มีหินหนึ่งก้อน: การเพิ่มการสร้างรหัสและการค้นหารหัสผ่านเครือข่ายฝ่ายตรงข้ามกำเนิด (oopsla'23)	CodeSearchNet (Python, Java)

เสร็จสิ้นรหัส

กระดาษ	ชุดข้อมูล
การสร้างแบบจำลองรหัสการกำเนิดด้วยกราฟ (ICLR'19)	ข้อมูล exprgen (เฉพาะกระดาษ)
ความทนทานของฝ่ายตรงข้ามของโมเดลการสังเคราะห์โปรแกรม (aiplans'21)	Algolisp
REACC: กรอบความสมบูรณ์ของรหัสการเรียกคืน (ACL'22)	PY150 (codexglue), githhub java (codexglue)
การเรียนรู้หลายงานที่ขับเคลื่อนด้วยการทดสอบด้วยการแปลงรหัสที่เทียบเท่ากับการสร้างรหัสประสาท (ASE'22)	MBPP
ชื่อวิธีที่ดีในการสร้างรหัสประสาทมีความสำคัญอย่างไร? มุมมองความทนทานของแบบจำลอง (Arxiv'22)	concode ที่ได้รับการกลั่น, pytorrent
การมองอย่างใกล้ชิดกับรหัสข่าวกรองที่ใช้หม้อแปลงผ่านการแปลงรหัส: ความท้าทายและโอกาส (Arxiv'22)	CodeSearchNet (Python, Java)
Recode: การประเมินความทนทานของโมเดลการสร้างรหัส (ACL'23)	Humaneval, MBPP
Clawsat: ไปสู่โมเดลรหัสที่แข็งแกร่งและแม่นยำ (Saner'23)	-
การเลือกพรอมต์แบบดึงข้อมูลสำหรับการเรียนรู้ไม่กี่นัดที่เกี่ยวข้องกับรหัส (ICSE'23)	Atlas, tfix
Rustgen: วิธีการเสริมสำหรับการสร้างรหัสสนิมที่รวบรวมได้ด้วยโมเดลภาษาขนาดใหญ่	เฉพาะกระดาษ
การโจมตีแบ็คดอร์หลายเป้าหมายสำหรับโมเดลที่ผ่านการฝึกอบรมของรหัส (ACL'23)	GitHhub Java (codexglue)
การปรับรหัสการปรับเปลี่ยนโดเมนผ่านแบบจำลองภาษาและฐานข้อมูลโดเมนแยกส่วน (ASE'23)	เฉพาะกระดาษ
APICOM: API AUTOMATION เสร็จสิ้นผ่านการเรียนรู้ที่รวดเร็วและการเพิ่มข้อมูลการฝึกอบรมที่เป็นปฏิปักษ์ (InternetWare'23)	เฉพาะกระดาษ
การเรียนรู้หลายงานที่ขับเคลื่อนด้วยการทดสอบด้วยการแปลงรหัสที่เทียบเท่ากับการสร้างรหัสประสาท (ASE'22)	MBPP
รูปแบบภาษาที่ดีกว่าของรหัสผ่านการพัฒนาตนเอง (ACL'23)	มัด

การแปลรหัส

กระดาษ	ชุดข้อมูล
ใช้ประโยชน์จากการทดสอบหน่วยอัตโนมัติสำหรับการแปลรหัสที่ไม่ได้รับการดูแล (ICLR'23)	กระดาษเสริม
การสำรวจการเพิ่มข้อมูลสำหรับงานสร้างรหัส (EACL'23)	codetrans (codexglue)
สรุปและสร้างเป็น back-translate: การแปลภาษาการเขียนโปรแกรมที่ไม่ได้รับการดูแล (EACL'23)	ข้อมูล transcoder
Contrabert: การปรับปรุงโมเดลที่ผ่านการฝึกอบรมของรหัสผ่านการเรียนรู้แบบตรงกันข้าม (ICSE'23)	codetrans (codexglue)
การแปลรหัสด้วยการแสดงคอมไพเลอร์ (ICLR'23)	ข้อมูล transcoder
การเพิ่มข้อมูลสำหรับการแปลรหัสด้วย corpora ที่เทียบเคียงได้และการอ้างอิงหลายรายการ (EMNLP'23)	ข้อมูล transcoder
การประเมินและปรับปรุงความทนทานต่อความทนทานของวากยสัมพันธ์ของโมเดลที่ผ่านการฝึกอบรมมาก่อนสำหรับการแปลรหัส (Arxiv'23)	อวตาร
การโจมตีแบ็คดอร์หลายเป้าหมายสำหรับโมเดลที่ผ่านการฝึกอบรมของรหัส (ACL'23)	ข้อมูล transcoder

การตอบคำถามรหัส

กระดาษ	ชุดข้อมูล
COSQA: 20, 000+ การค้นหาเว็บสำหรับการค้นหารหัสและการตอบคำถาม (ACL'21)	Cosqa
ความเข้าใจด้านความเข้าใจด้านความหมายของรหัสฝ่ายตรงข้าม (coling'22)	codeqa
การเรียนรู้แบบตรงกันข้ามกับการเพิ่มข้อมูลตามคำหลักสำหรับการค้นหารหัสและการตอบคำถามรหัส (EACL'23)	Cosqa
McOdesearcher: การเรียนรู้แบบหลายมุมมองสำหรับการค้นหารหัส (InternetWare'23)	WebQuery (เฉพาะกระดาษ)

การจำแนกรหัส

กระดาษ	ชุดข้อมูล
การสร้างตัวอย่างที่เป็นปฏิปักษ์สำหรับการรักษาความทนทานของรูปแบบการประมวลผลซอร์สโค้ด (AAAI'20)	OJ
การสร้างตัวอย่างที่เป็นปฏิปักษ์ของแบบจำลองการจำแนกรหัสซอร์สผ่านกระบวนการตัดสินใจของ Markov-learning (qrs'21)	OJ
HELOC: การเรียนรู้แบบตรงกันข้ามกับการแสดงซอร์สโค้ด (ICPC'22)	GCJ, OJ
คอมโบ: การฝึกอบรมก่อนการฝึกอบรมรหัสไบนารีโดยใช้การเรียนรู้แบบตัดกัน (Arxiv'22)	POJ-104 (codexglue)
เชื่อมโยงโมเดลที่ผ่านการฝึกอบรมมาก่อนและงานดาวน์สตรีมสำหรับการทำความเข้าใจซอร์สโค้ด (ICSE'22)	POJ-104
การเพิ่มการเรียนรู้ซอร์สโค้ดด้วยการเพิ่มข้อมูล: การศึกษาเชิงประจักษ์ (Arxiv'23)	Java250, Python800
MixCode: การเพิ่มการจำแนกรหัสโดยการเพิ่มข้อมูลแบบผสมผสาน (Saner'23)	Java250, Python800
การสร้างตัวอย่างที่แตกต่างจากรหัสการสร้างแบบจำลองรหัสลึก (ASE'23)	GCJ
วิธีการเพิ่มข้อมูลที่ได้รับการปรับปรุงเพื่อรองรับการจำแนกความสามารถในการอ่านรหัสหลายคลาส (SEKE'22)	เฉพาะกระดาษ
การปรับปรุงการจำแนกความสามารถในการอ่านรหัสหลายชั้นด้วยวิธีการเพิ่มข้อมูลขั้นสูง (130) (วารสารนานาชาติวิศวกรรมซอฟต์แวร์และวิศวกรรมความรู้)	เฉพาะกระดาษ

วิธีการทำนายชื่อ

กระดาษ	ชุดข้อมูล
ตัวอย่างที่เป็นปฏิปักษ์สำหรับแบบจำลองของรหัส (oopsla'20)	code2vec
กรอบการทดสอบตามการค้นหาสำหรับเครือข่ายประสาทลึกของการฝังซอร์สโค้ด (ICST'21)	เฉพาะกระดาษ
เกี่ยวกับความสามารถทั่วไปของโมเดลโปรแกรมประสาทที่เกี่ยวข้องกับการแปลงโปรแกรมการรักษาความหมาย (IST'21)	code2seq
การเพิ่มข้อมูลโดยการแปลงโปรแกรม (JSS'22)	code2vec
การโจมตีแบบไม่ต่อเนื่องในรูปแบบของรหัส (PLDI'23)	code2vec

ประเภทการทำนาย

กระดาษ	ชุดข้อมูล
ความทนทานของฝ่ายตรงข้ามสำหรับรหัส (ICML'21)	Deeptyper
การเรียนรู้การแสดงรหัสความคมชัด (EMNLP'21)	Deeptyper
การเรียนรู้การถ่ายโอนข้ามภาษาสำหรับการอนุมานประเภททางสถิติ (ISSTA'22)	Deeptyper, Typilus (Python), CodeSearchNet (Java)

การรับทราบ

เราขอขอบคุณ Steven Y. Feng และคณะ สำหรับรายการกระดาษโอเพ่นซอร์สของพวกเขาใน dataaug4nlp