源代码模型的数据增强方法
如果您想添加论文，请不要给我们发送电子邮件。相反，请阅读用于添加新条目并发送拉动请求的协议。
我们按代码作者身份归因，克隆检测，缺陷检测和维修，代码摘要，代码搜索，代码完成，代码转换，代码求出，问题分类，方法名称预测和类型预测。
该存储库基于我们的论文，《深度学习：调查》的源代码数据。您可以如下引用：
@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}
}
作者：特里·尤（Terry Yue
注意：WIP。很快将从我们的调查文件中添加更多论文。询问应转向[email protected]，或通过在此处打开问题。
代码作者归因
| 纸 | 评估数据集 |
|---|
| 预先训练的代码模型的自然攻击（ICSE'22） | GCJ |
| ROPGEN：通过自动编码样式转换（ICSE'22）朝着强大的代码作者归因 | GCJ，github |
| 通过数据增强来增强源代码学习（ARXIV'23） | GCJ |
| 代码差异指导的对抗示例生成深代码模型ASE'23 | GCJ |
克隆检测
| 纸 | 数据集 |
|---|
| 对比代码表示学习（EMNLP'22） | JavaScript（特定于纸） |
| 通过程序转换（JSS'22）进行数据增强 | BCB |
| 预先训练的代码模型的自然攻击（ICSE'22） | BigCloneBench |
| 释放编译器中间表示的力量以增强神经程序嵌入（ICSE'22） | POJ-104，GCJ |
| HELOC：源代码表示的分层对比度学习（ICPC'22） | gcj，ojclone |
| 组合：使用对比度学习（Arxiv'22）的二进制代码的预训练表示 | BinaryCorp-3M |
| 评估对比度学习的各种代码克隆检测的代码表示（ARXIV'22） | POJ-104，CodeForces |
| 从程序对比中学习（DIS） - 源代码的类似性（ACL'22） | POJ-104，BigCloneBench |
| REACC：检索授权的代码完成框架（ACL'22） | codenet |
| 桥接预训练的模型和下游任务，以了解源代码理解（ICSE'22） | POJ-104 |
| 通过数据增强来增强源代码学习：一项实证研究（ARXIV'23） | BigCloneBench |
| Clawsat：朝着稳健和准确的代码模型（Saner'22）迈进 | --- |
| Contrabert：通过对比度学习增强代码预训练的模型（ICSE'22） | POJ-104 |
| 利用基于跨组合的数据增强的途径进行跨语言克隆检测（ICPC'23） | clcdsa |
| 代码差为深度代码模型的对抗示例生成（ASE'23 | BigCloneBench |
| 基于多模式对比学习的增强代码表示的预训练方法（Jos'23） | POJ-104，BigCloneBench |
| 协和：源代码的克隆意识对比学习（ISSTA'23） | Codenet（Java），POJ104 |
| 具有跨语言中间表示（arxiv'23）的神经符号零射击代码克隆克隆 | CodEnet（C，COBOL） |
| 代码预训练模型的多目标后门攻击（ACL'23） | BCB |
缺陷检测和修复
| 纸 | 数据集 |
|---|
| 代码模型的对抗示例（OOPSLA'20） | Varmisuse |
| 自我监督的错误检测和修复（Neurips'21） | Randombugs，pypibugs |
| 语义保护对抗代码理解（Coling'22） | 缺陷4J |
| 路径敏感的代码通过对比度学习软件漏洞检测（ISSTA'22）嵌入 | D2A，风扇，devign |
| 预先训练的代码模型的自然攻击（ICSE'22） | 偏差 |
| 组合：使用对比度学习（Arxiv'22）的二进制代码的预训练表示 | Sysevr |
| 从程序对比中学习（DIS） - 源代码的类似性（ACL'22） | 揭示，codexglue |
| 通过数据增强来增强源代码学习：一项实证研究（ARXIV'23） | 重构，codrep1 |
| MixCode：通过基于混合的数据扩展增强代码分类（Saner'23） | 重构，codrep1 |
| Contrabert：通过对比度学习增强代码预训练的模型（ICSE'23） | 偏差 |
| 代码差异指导的对抗示例生成的深代码模型（ASE'23） | devign，codechef |
| Mufin：通过反向翻译改善神经修复模型（ARXIV'23） | 缺陷4J（特定于纸张），quixbugs（纸特定） |
| 利用因果推断进行可解释的自动程序维修（IJCNN'22） | 缺陷4J，quixbugs，bugaid |
| deepdebug：使用堆栈跟踪，反射和代码骨架（Arxiv'21）修复Python错误 | 纸特定 |
| Break-It-Fix-IT：无监督的计划维修学习（ARXIV'21） | 纸特异性，深色 |
| 代码预训练模型的多目标后门攻击（ACL'23） | 偏差。 bug2fix |
| 推论：通过LLM在检索提示（ARXIV'23）上使用LLMS进行端到端计划维修（ARXIV'23） | 推断虫 |
| RAP-GEN：使用CODET5进行自动程序维修的检索添加贴片生成（FSE'23） | tfix，bug2fix，缺陷4J |
| 错误报告太少了？探索基于更改的错误本地化的数据增强（ARXIV'23） | 基因座数据 |
代码摘要
| 纸 | 数据集 |
|---|
| 通过数据扩展（Internetware'20）培训深度代码评论生成模型 | TL-Codesum |
| 基于检索的神经源代码摘要（ICSE'20） | PCSD，JCSD |
| 使用优化的混淆（ICLR'21）生成对抗计算机程序 | Python-150K，Code2Seq数据 |
| 对比代码表示学习（EMNLP'21） | JavaScript（特定于纸） |
| 基于搜索的测试框架，用于源代码嵌入的深神经网络（ICST'21） | 纸特定 |
| 通过Hybrid GNN（ICLR'21）检索代码摘要的检索生成 | CCSD（特定于纸） |
| Bashexplainer：基于微调Codebert（ICMSE'22）的检索式bash代码评论生成 | Bashexplaner数据 |
| 通过程序转换（JSS'22）进行数据增强 | Deepcom |
| 深度代码评论生成的对抗性鲁棒性（TOSEM'22） | CCSD（特定于纸） |
| 没有足够的数据？代码摘要的简单数据增强（PAAP'22） | --- |
| 源代码模型的语义鲁棒性（Saner'22） | Python-150K，Code2Seq数据 |
| 通过代码转换仔细研究基于变压器的代码智能：挑战和机遇（ARXIV'22） | codesearchnet（python，java） |
| Clawsat：朝着稳健和准确的代码模型（Saner'23）迈向 | --- |
| 探索代码生成任务的数据增强（EACL'23） | codesearchnet（codexglue） |
| 通过数据增强和语义感知Codebert（Arxiv'23）发表评论的生成（ARXIV'23） | Bashexplaner数据 |
| 读取：源代码摘要检索自适应变压器（Access'23） | PCSD |
| 电车：源代码摘要的令牌级检索机制（ARXIV'23） | PCSD，CCSD，DeepCom |
| 两只带有一块石头的鸟：通过生成对抗网络（OOPSLA'23）提高代码生成和代码搜索 | codesearchnet（python，java） |
| 通过自我完善的更好的代码语言模型（ACL'23） | codesearchnet |
代码搜索
| 纸 | 数据集 |
|---|
| 增强码：检查自然语言资源在代码检索模型中的影响（ARXIV'21） | codesearchnet |
| COSQA：20，000+ Web查询用于代码搜索和问答（ACL'21） | cosqa |
| 基于搜索的测试框架，用于源代码嵌入的深神经网络（ICST'21） | 纸特定 |
| 语义保护对抗代码理解（Coling'22） | codesearchnet |
| 探索代码搜索的表示级级增强（EMNLP'22） | codesearchnet |
| 代码搜索的跨模式对比度学习（ICSME'22） | AdvTest，Cosqa |
| 桥接预训练的模型和下游任务，以了解源代码理解（ICSE'22） | codesearchnet |
| 通过代码转换仔细研究基于变压器的代码智能：挑战和机遇（ARXIV'22） | codesearchnet（python，java） |
| Contrabert：通过对比度学习增强代码预训练的模型（ICSE'23） | AdvTest，WebQueryTest |
| Cocosoda：有效的代码搜索对比度学习（ICSE'23） | codesearchnet |
| 与基于关键字的数据增强的对比度学习，用于代码搜索和代码问题答案（EACL'23） | WebqueryTest |
| 基于多模式对比学习的增强代码表示的预训练方法（Jos'23） | codesearchnet |
| 重新考虑代码搜索中的负面对（EMNLP'23） | codesearchnet |
| 通过跨语性对比学习进行更好的多语言代码搜索（Internetware'23） | xlcost |
| McOdesearcher：代码搜索的多视图对比度学习（Internetware'23） | codesearchnet（Python，java），cosqa，staqc，webquery |
| Mulcs：迈向多语言代码搜索的统一深度表示（Saner'23） | codesearchnet（python，java），特定于纸张 |
| 两只带有一块石头的鸟：通过生成对抗网络（OOPSLA'23）提高代码生成和代码搜索 | codesearchnet（python，java） |
代码完成
| 纸 | 数据集 |
|---|
| 使用图形（ICLR'19）的生成代码建模 | ECTRGEN数据（特定于纸张） |
| 程序合成模型的对抗性鲁棒性（Aiplans'21） | Algolisp |
| REACC：检索授权的代码完成框架（ACL'22） | PY150（codexglue），githhub java（codexglue） |
| 通过功能上等效的神经代码生成的测试驱动的多任务学习（ASE'22） | MBPP |
| 在神经代码生成中，好的方法名称有多重要？模型鲁棒性观点（Arxiv'22） | 精制的提议，精制的pytorrent |
| 通过代码转换仔细研究基于变压器的代码智能：挑战和机遇（ARXIV'22） | codesearchnet（python，java） |
| RECODE：代码生成模型的鲁棒性评估（ACL'23） | Humaneval，MBPP |
| Clawsat：朝着稳健和准确的代码模型（Saner'23）迈向 | --- |
| 基于检索的及时选择与代码相关的少量学习（ICSE'23） | Atlas，Tfix |
| Rustgen：一种使用大语言模型生成可编译的锈蚀代码的增强方法（Deployableablegenerativeai'23） | 纸特定 |
| 代码预训练模型的多目标后门攻击（ACL'23） | githhub java（codexglue） |
| 域自适应代码通过语言模型和解耦域数据库完成（ASE'23） | 纸特定 |
| APICOM：通过及时学习和基于对抗培训的数据增强（Internetware'23）自动完成API | 纸特定 |
| 通过功能上等效的神经代码生成的测试驱动的多任务学习（ASE'22） | MBPP |
| 通过自我完善的更好的代码语言模型（ACL'23） | 主张 |
代码翻译
| 纸 | 数据集 |
|---|
| 利用无监督的代码翻译（ICLR'23）的自动单元测试 | 纸张 |
| 探索代码生成任务的数据增强（EACL'23） | CodeTrans（codexglue） |
| 总结并生成反向译本：编程语言的无监督翻译（EACL'23） | 转编码数据 |
| Contrabert：通过对比度学习增强代码预训练的模型（ICSE'23） | CodeTrans（codexglue） |
| 带有编译器表示的代码翻译（ICLR'23） | 转编码数据 |
| 具有可比CORPORA和多个参考的代码翻译的数据增强（EMNLP'23） | 转编码数据 |
| 评估和改善预训练模型的代码翻译模型的句法对抗性鲁棒性（ARXIV'23） | 头像 |
| 代码预训练模型的多目标后门攻击（ACL'23） | 转编码数据 |
代码问题回答
| 纸 | 数据集 |
|---|
| COSQA：20，000+ Web查询用于代码搜索和问答（ACL'21） | cosqa |
| 语义保护对抗代码理解（Coling'22） | codeqa |
| 与基于关键字的数据增强的对比度学习，用于代码搜索和代码问题答案（EACL'23） | cosqa |
| McOdesearcher：代码搜索的多视图对比度学习（Internetware'23） | Webquery（特定于纸） |
代码分类
| 纸 | 数据集 |
|---|
| 生成对源代码处理模型鲁棒性（AAAI'20）的对抗性示例（AAAI'20） | OJ |
| 通过基于Q学习的Markov决策过程（QRS'21）生成源代码分类模型的对抗性示例 | OJ |
| HELOC：源代码表示的分层对比度学习（ICPC'22） | GCJ，OJ |
| 组合：使用对比度学习（Arxiv'22）的二进制代码的预训练表示 | POJ-104（codexglue） |
| 桥接预训练的模型和下游任务，以了解源代码理解（ICSE'22） | POJ-104 |
| 通过数据增强来增强源代码学习：一项实证研究（ARXIV'23） | Java250，Python800 |
| MixCode：通过基于混合的数据扩展增强代码分类（Saner'23） | Java250，Python800 |
| 代码差异指导的对抗示例生成的深代码模型（ASE'23） | GCJ |
| 增强的数据增强方法，以支持多类代码可读性分类（SEKE'22） | 纸特定 |
| 通过增强的数据增强方法改善多类代码可读性分类（130）（国际软件工程和知识工程杂志） | 纸特定 |
方法名称预测
| 纸 | 数据集 |
|---|
| 代码模型的对抗示例（OOPSLA'20） | code2vec |
| 基于搜索的测试框架，用于源代码嵌入的深神经网络（ICST'21） | 纸特定 |
| 关于神经程序模型关于语义保证程序转换的普遍性（IST'21） | Code2Seq |
| 通过程序转换（JSS'22）进行数据增强 | code2vec |
| 对代码模型的离散对抗攻击（PLDI'23） | code2vec |
类型预测
| 纸 | 数据集 |
|---|
| 代码的对抗性鲁棒性（ICML'21） | DeepTyper |
| 对比代码表示学习（EMNLP'21） | DeepTyper |
| 统计类型推理的跨语性转移学习（ISSTA'22） | DeepTyper，Typilus（Python），CodesearchNet（Java） |
致谢
我们感谢Steven Y. Feng等。对于他们在dataug4nlp上的开源纸张列表。
