源代碼模型的數據增強方法
如果您想添加論文，請不要給我們發送電子郵件。相反，請閱讀用於添加新條目並發送拉動請求的協議。
我們按代碼作者身份歸因，克隆檢測，缺陷檢測和維修，代碼摘要，代碼搜索，代碼完成，代碼轉換，代碼求出，問題分類，方法名稱預測和類型預測。
該存儲庫基於我們的論文，《深度學習：調查》的源代碼數據。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。很快將從我們的調查文件中添加更多論文。詢問應轉向[email protected]，或通過在此處打開問題。
代碼作者歸因
| 紙 | 評估數據集 |
|---|
| 預先訓練的代碼模型的自然攻擊（ICSE'22） | GCJ |
| ROPGEN：通過自動編碼樣式轉換（ICSE'22）朝著強大的代碼作者歸因 | GCJ，github |
| 通過數據增強來增強源代碼學習（ARXIV'23） | GCJ |
| 代碼差異指導的對抗示例生成深代碼模型ASE'23 | GCJ |
克隆檢測
| 紙 | 數據集 |
|---|
| 對比代碼表示學習（EMNLP'22） | JavaScript（特定於紙） |
| 通過程序轉換（JSS'22）進行數據增強 | BCB |
| 預先訓練的代碼模型的自然攻擊（ICSE'22） | BigCloneBench |
| 釋放編譯器中間表示的力量以增強神經程序嵌入（ICSE'22） | POJ-104，GCJ |
| HELOC：源代碼表示的分層對比度學習（ICPC'22） | gcj，ojclone |
| 組合：使用對比度學習（Arxiv'22）的二進制代碼的預訓練表示 | BinaryCorp-3M |
| 評估對比度學習的各種代碼克隆檢測的代碼表示（ARXIV'22） | POJ-104，CodeForces |
| 從程序對比中學習（DIS） - 源代碼的類似性（ACL'22） | POJ-104，BigCloneBench |
| REACC：檢索授權的代碼完成框架（ACL'22） | codenet |
| 橋接預訓練的模型和下游任務，以了解源代碼理解（ICSE'22） | POJ-104 |
| 通過數據增強來增強源代碼學習：一項實證研究（ARXIV'23） | BigCloneBench |
| Clawsat：朝著穩健和準確的代碼模型（Saner'22）邁進 | --- |
| Contrabert：通過對比度學習增強代碼預訓練的模型（ICSE'22） | POJ-104 |
| 利用基於跨組合的數據增強的途徑進行跨語言克隆檢測（ICPC'23） | clcdsa |
| 代碼差為深度代碼模型的對抗示例生成（ASE'23 | BigCloneBench |
| 基於多模式對比學習的增強代碼表示的預訓練方法（Jos'23） | POJ-104，BigCloneBench |
| 協和：源代碼的克隆意識對比學習（ISSTA'23） | Codenet（Java），POJ104 |
| 具有跨語言中間表示（arxiv'23）的神經符號零射擊代碼克隆克隆 | CodEnet（C，COBOL） |
| 代碼預訓練模型的多目標後門攻擊（ACL'23） | BCB |
缺陷檢測和修復
| 紙 | 數據集 |
|---|
| 代碼模型的對抗示例（OOPSLA'20） | Varmisuse |
| 自我監督的錯誤檢測和修復（Neurips'21） | Randombugs，pypibugs |
| 語義保護對抗代碼理解（Coling'22） | 缺陷4J |
| 路徑敏感的代碼通過對比度學習軟件漏洞檢測（ISSTA'22）嵌入 | D2A，風扇，devign |
| 預先訓練的代碼模型的自然攻擊（ICSE'22） | 偏差 |
| 組合：使用對比度學習（Arxiv'22）的二進制代碼的預訓練表示 | Sysevr |
| 從程序對比中學習（DIS） - 源代碼的類似性（ACL'22） | 揭示，codexglue |
| 通過數據增強來增強源代碼學習：一項實證研究（ARXIV'23） | 重構，codrep1 |
| MixCode：通過基於混合的數據擴展增強代碼分類（Saner'23） | 重構，codrep1 |
| Contrabert：通過對比度學習增強代碼預訓練的模型（ICSE'23） | 偏差 |
| 代碼差異指導的對抗示例生成的深代碼模型（ASE'23） | devign，codechef |
| Mufin：通過反向翻譯改善神經修復模型（ARXIV'23） | 缺陷4J（特定於紙張），quixbugs（紙特定） |
| 利用因果推斷進行可解釋的自動程序維修（IJCNN'22） | 缺陷4J，quixbugs，bugaid |
| deepdebug：使用堆棧跟踪，反射和代碼骨架（Arxiv'21）修復Python錯誤 | 紙特定 |
| Break-It-Fix-IT：無監督的計劃維修學習（ARXIV'21） | 紙特異性，深色 |
| 代碼預訓練模型的多目標後門攻擊（ACL'23） | 偏差。 bug2fix |
| 推論：通過LLM在檢索提示（ARXIV'23）上使用LLMS進行端到端計劃維修（ARXIV'23） | 推斷蟲 |
| RAP-GEN：使用CODET5進行自動程序維修的檢索添加貼片生成（FSE'23） | tfix，bug2fix，缺陷4J |
| 錯誤報告太少了？探索基於更改的錯誤本地化的數據增強（ARXIV'23） | 基因座數據 |
代碼摘要
| 紙 | 數據集 |
|---|
| 通過數據擴展（Internetware'20）培訓深度代碼評論生成模型 | TL-Codesum |
| 基於檢索的神經源代碼摘要（ICSE'20） | PCSD，JCSD |
| 使用優化的混淆（ICLR'21）生成對抗計算機程序 | Python-150K，Code2Seq數據 |
| 對比代碼表示學習（EMNLP'21） | JavaScript（特定於紙） |
| 基於搜索的測試框架，用於源代碼嵌入的深神經網絡（ICST'21） | 紙特定 |
| 通過Hybrid GNN（ICLR'21）檢索代碼摘要的檢索生成 | CCSD（特定於紙） |
| Bashexplainer：基於微調Codebert（ICMSE'22）的檢索式bash代碼評論生成 | Bashexplaner數據 |
| 通過程序轉換（JSS'22）進行數據增強 | Deepcom |
| 深度代碼評論生成的對抗性魯棒性（TOSEM'22） | CCSD（特定於紙） |
| 沒有足夠的數據？代碼摘要的簡單數據增強（PAAP'22） | --- |
| 源代碼模型的語義魯棒性（Saner'22） | Python-150K，Code2Seq數據 |
| 通過代碼轉換仔細研究基於變壓器的代碼智能：挑戰和機遇（ARXIV'22） | codesearchnet（python，java） |
| Clawsat：朝著穩健和準確的代碼模型（Saner'23）邁向 | --- |
| 探索代碼生成任務的數據增強（EACL'23） | codesearchnet（codexglue） |
| 通過數據增強和語義感知Codebert（Arxiv'23）發表評論的生成（ARXIV'23） | Bashexplaner數據 |
| 讀取：源代碼摘要檢索自適應變壓器（Access'23） | PCSD |
| 電車：源代碼摘要的令牌級檢索機制（ARXIV'23） | PCSD，CCSD，DeepCom |
| 兩隻帶有一塊石頭的鳥：通過生成對抗網絡（OOPSLA'23）提高代碼生成和代碼搜索 | codesearchnet（python，java） |
| 通過自我完善的更好的代碼語言模型（ACL'23） | codesearchnet |
代碼搜索
| 紙 | 數據集 |
|---|
| 增強碼：檢查自然語言資源在代碼檢索模型中的影響（ARXIV'21） | codesearchnet |
| COSQA：20，000+ Web查詢用於代碼搜索和問答（ACL'21） | cosqa |
| 基於搜索的測試框架，用於源代碼嵌入的深神經網絡（ICST'21） | 紙特定 |
| 語義保護對抗代碼理解（Coling'22） | codesearchnet |
| 探索代碼搜索的表示級級增強（EMNLP'22） | codesearchnet |
| 代碼搜索的跨模式對比度學習（ICSME'22） | AdvTest，Cosqa |
| 橋接預訓練的模型和下游任務，以了解源代碼理解（ICSE'22） | codesearchnet |
| 通過代碼轉換仔細研究基於變壓器的代碼智能：挑戰和機遇（ARXIV'22） | codesearchnet（python，java） |
| Contrabert：通過對比度學習增強代碼預訓練的模型（ICSE'23） | AdvTest，WebQueryTest |
| Cocosoda：有效的代碼搜索對比度學習（ICSE'23） | codesearchnet |
| 與基於關鍵字的數據增強的對比度學習，用於代碼搜索和代碼問題答案（EACL'23） | WebqueryTest |
| 基於多模式對比學習的增強代碼表示的預訓練方法（Jos'23） | codesearchnet |
| 重新考慮代碼搜索中的負面對（EMNLP'23） | codesearchnet |
| 通過跨語性對比學習進行更好的多語言代碼搜索（Internetware'23） | xlcost |
| McOdesearcher：代碼搜索的多視圖對比度學習（Internetware'23） | codesearchnet（Python，java），cosqa，staqc，webquery |
| Mulcs：邁向多語言代碼搜索的統一深度表示（Saner'23） | codesearchnet（python，java），特定於紙張 |
| 兩隻帶有一塊石頭的鳥：通過生成對抗網絡（OOPSLA'23）提高代碼生成和代碼搜索 | codesearchnet（python，java） |
代碼完成
| 紙 | 數據集 |
|---|
| 使用圖形（ICLR'19）的生成代碼建模 | ECTRGEN數據（特定於紙張） |
| 程序合成模型的對抗性魯棒性（Aiplans'21） | Algolisp |
| REACC：檢索授權的代碼完成框架（ACL'22） | PY150（codexglue），githhub java（codexglue） |
| 通過功能上等效的神經代碼生成的測試驅動的多任務學習（ASE'22） | MBPP |
| 在神經代碼生成中，好的方法名稱有多重要？模型魯棒性觀點（Arxiv'22） | 精製的提議，精製的pytorrent |
| 通過代碼轉換仔細研究基於變壓器的代碼智能：挑戰和機遇（ARXIV'22） | codesearchnet（python，java） |
| RECODE：代碼生成模型的魯棒性評估（ACL'23） | Humaneval，MBPP |
| Clawsat：朝著穩健和準確的代碼模型（Saner'23）邁向 | --- |
| 基於檢索的及時選擇與代碼相關的少量學習（ICSE'23） | Atlas，Tfix |
| Rustgen：一種使用大語言模型生成可編譯的鏽蝕代碼的增強方法（Deployableablegenerativeai'23） | 紙特定 |
| 代碼預訓練模型的多目標後門攻擊（ACL'23） | githhub java（codexglue） |
| 域自適應代碼通過語言模型和解耦域數據庫完成（ASE'23） | 紙特定 |
| APICOM：通過及時學習和基於對抗培訓的數據增強（Internetware'23）自動完成API | 紙特定 |
| 通過功能上等效的神經代碼生成的測試驅動的多任務學習（ASE'22） | MBPP |
| 通過自我完善的更好的代碼語言模型（ACL'23） | 主張 |
代碼翻譯
| 紙 | 數據集 |
|---|
| 利用無監督的代碼翻譯（ICLR'23）的自動單元測試 | 紙張 |
| 探索代碼生成任務的數據增強（EACL'23） | CodeTrans（codexglue） |
| 總結並生成反向譯本：編程語言的無監督翻譯（EACL'23） | 轉編碼數據 |
| Contrabert：通過對比度學習增強代碼預訓練的模型（ICSE'23） | CodeTrans（codexglue） |
| 帶有編譯器表示的代碼翻譯（ICLR'23） | 轉編碼數據 |
| 具有可比CORPORA和多個參考的代碼翻譯的數據增強（EMNLP'23） | 轉編碼數據 |
| 評估和改善預訓練模型的代碼翻譯模型的句法對抗性魯棒性（ARXIV'23） | 頭像 |
| 代碼預訓練模型的多目標後門攻擊（ACL'23） | 轉編碼數據 |
代碼問題回答
| 紙 | 數據集 |
|---|
| COSQA：20，000+ Web查詢用於代碼搜索和問答（ACL'21） | cosqa |
| 語義保護對抗代碼理解（Coling'22） | codeqa |
| 與基於關鍵字的數據增強的對比度學習，用於代碼搜索和代碼問題答案（EACL'23） | cosqa |
| McOdesearcher：代碼搜索的多視圖對比度學習（Internetware'23） | Webquery（特定於紙） |
代碼分類
| 紙 | 數據集 |
|---|
| 生成對源代碼處理模型魯棒性（AAAI'20）的對抗性示例（AAAI'20） | OJ |
| 通過基於Q學習的Markov決策過程（QRS'21）生成源代碼分類模型的對抗性示例 | OJ |
| HELOC：源代碼表示的分層對比度學習（ICPC'22） | GCJ，OJ |
| 組合：使用對比度學習（Arxiv'22）的二進制代碼的預訓練表示 | POJ-104（codexglue） |
| 橋接預訓練的模型和下游任務，以了解源代碼理解（ICSE'22） | POJ-104 |
| 通過數據增強來增強源代碼學習：一項實證研究（ARXIV'23） | Java250，Python800 |
| MixCode：通過基於混合的數據擴展增強代碼分類（Saner'23） | Java250，Python800 |
| 代碼差異指導的對抗示例生成的深代碼模型（ASE'23） | GCJ |
| 增強的數據增強方法，以支持多類代碼可讀性分類（SEKE'22） | 紙特定 |
| 通過增強的數據增強方法改善多類代碼可讀性分類（130）（國際軟件工程和知識工程雜誌） | 紙特定 |
方法名稱預測
| 紙 | 數據集 |
|---|
| 代碼模型的對抗示例（OOPSLA'20） | code2vec |
| 基於搜索的測試框架，用於源代碼嵌入的深神經網絡（ICST'21） | 紙特定 |
| 關於神經程序模型關於語義保證程序轉換的普遍性（IST'21） | Code2Seq |
| 通過程序轉換（JSS'22）進行數據增強 | code2vec |
| 對代碼模型的離散對抗攻擊（PLDI'23） | code2vec |
類型預測
| 紙 | 數據集 |
|---|
| 代碼的對抗性魯棒性（ICML'21） | DeepTyper |
| 對比代碼表示學習（EMNLP'21） | DeepTyper |
| 統計類型推理的跨語性轉移學習（ISSTA'22） | DeepTyper，Typilus（Python），CodesearchNet（Java） |
致謝
我們感謝Steven Y. Feng等。對於他們在dataug4nlp上的開源紙張列表。
