ترجمه فارسی مقاله مدل‌های زبان بزرگ برای تشخیص کلون کد بین زبانی

چکیده

With the involvement of multiple programming languages in modern software development, cross-lingual code clone detection has gained traction with the software engineering community. Numerous studies have explored this topic, proposing various promising approaches. Inspired by the significant advances in machine learning in recent years, particularly Large Language Models (LLMs), which have demonstrated their ability to tackle various tasks, this paper revisits cross-lingual code clone detection. We investigate the capabilities of four (04) LLMs and eight (08) prompts for the identification of cross-lingual code clones. Additionally, we evaluate a pre-trained embedding model to assess the effectiveness of the generated representations for classifying clone and non-clone pairs. Both studies (based on LLMs and Embedding models) are evaluated using two widely used cross-lingual datasets, XLCoST and CodeNet. Our results show that LLMs can achieve high F1 scores, up to 0.98, for straightforward programming examples (e.g., from XLCoST). However, they not only perform less well on programs associated with complex programming challenges but also do not necessarily understand the meaning of code clones in a cross-lingual setting. We show that embedding models used to represent code fragments from different programming languages in the same representation space enable the training of a basic classifier that outperforms all LLMs by ~2 and ~24 percentage points on the XLCoST and CodeNet datasets, respectively. This finding suggests that, despite the apparent capabilities of LLMs, embeddings provided by embedding models offer suitable representations to achieve state-of-the-art performance in cross-lingual code clone detection.

چکیده به فارسی (ترجمه ماشینی)

با درگیری چندین زبان برنامه نویسی در توسعه نرم افزار مدرن ، تشخیص کلون کد متقابل با زبانی با جامعه مهندسی نرم افزار به خود جلب کرده است.مطالعات بی شماری این موضوع را مورد بررسی قرار داده است و رویکردهای مختلف امیدوارکننده ای را ارائه می دهد.این مقاله با الهام از پیشرفت های چشمگیر در یادگیری ماشین در سالهای اخیر ، به ویژه مدلهای بزرگ زبان (LLM) ، که توانایی آنها در مقابله با کارهای مختلف را نشان داده اند ، این مقاله را مجدداً تشخیص کلون کد زبانی را مورد بررسی قرار می دهد.ما قابلیت های چهار (04) LLMS و هشت (08) را برای شناسایی کلون های کد متقابل زبانی بررسی می کنیم.علاوه بر این ، ما یک مدل تعبیه از پیش آموزش داده شده را برای ارزیابی اثربخشی بازنمودهای تولید شده برای طبقه بندی جفت های کلون و غیر کلون ارزیابی می کنیم.هر دو مطالعه (بر اساس LLMS و مدل های تعبیه شده) با استفاده از دو مجموعه داده متقاطع که به طور گسترده استفاده می شوند ، XLCOST و CODENET ارزیابی می شوند.نتایج ما نشان می دهد که LLM ها می توانند برای نمونه های برنامه نویسی ساده (به عنوان مثال ، از XLCOST) به نمرات F1 بالا ، تا 0.98 دست یابند.با این حال ، آنها نه تنها در برنامه های مرتبط با چالش های برنامه نویسی پیچیده عملکرد کمتری دارند بلکه لزوماً معنای کلون های کد را در یک محیط متقابل نمی فهمند.ما نشان می دهیم که مدل های تعبیه شده برای نشان دادن قطعات کد از زبانهای مختلف برنامه نویسی در همان فضای بازنمایی ، آموزش یک طبقه بندی اساسی را امکان پذیر می کنند که به ترتیب از همه LLM ها با 2 ~ 2 و 24 درصد امتیاز در مجموعه داده های XLCOST و CODENET استفاده می کنند.این یافته نشان می دهد که ، با وجود قابلیت های ظاهری LLMS ، تعبیه های ارائه شده توسط مدل های جاسازی ، بازنمودهای مناسبی را برای دستیابی به عملکرد پیشرفته در تشخیص کلون کد متقابل ارائه می دهند.