ترجمه فارسی مقاله تأثیر مدل های بزرگ زبان در بومی سازی گسل

چکیده

Identifying the point of error is imperative in software debugging. Traditional fault localization (FL) techniques rely on executing the program and using the code coverage matrix in tandem with test case results to calculate a suspiciousness score for each function or line. Recently, learning-based FL techniques have harnessed machine learning models to extract meaningful features from the code coverage matrix and improve FL performance. These techniques, however, require compilable source code, existing test cases, and specialized tools for generating the code coverage matrix for each programming language of interest. In this paper, we propose, for the first time, a simple but effective sequence generation approach for fine-tuning large language models of code (LLMCs) for FL tasks. LLMCs have recently received much attention for various software engineering problems. In line with these, we leverage the innate understanding of code that LLMCs have acquired through pre-training on large code corpora. Specifically, we fine-tune representative encoder, encoder-decoder, and decoder-based 13 LLMCs for FL tasks. Unlike previous approaches, LLMCs can analyze code sequences even with syntactic errors, since they do not rely on compiled input. Still, they have a limitation on the length of the input data. Therefore, for a fair comparison with existing FL techniques, we extract methods with errors from the project-level benchmark, Defects4J, and analyze them at the line level. Experimental results show that LLMCs fine-tuned with our approach successfully pinpoint error positions in 50.6\%, 64.2\%, and 72.3\% of 1,291 methods in Defects4J for Top-1/3/5 prediction, outperforming the best learning-based state-of-the-art technique by up to 1.35, 1.12, and 1.08 times, respectively. Our findings suggest promising research directions for FL and automated program repair tasks using LLMCs.

چکیده به فارسی (ترجمه ماشینی)

شناسایی نقطه خطا در اشکال زدایی نرم افزار ضروری است.تکنیک های محلی سازی گسل سنتی (FL) به اجرای برنامه و استفاده از ماتریس پوشش کد در پشت سر هم با نتایج مورد آزمایش متکی هستند تا یک نمره مشکوک برای هر عملکرد یا خط محاسبه شود.به تازگی ، تکنیک های FL مبتنی بر یادگیری مدلهای یادگیری ماشین را برای استخراج ویژگی های معنی دار از ماتریس پوشش کد و بهبود عملکرد FL دارند.با این حال ، این تکنیک ها به کد منبع قابل تنظیم ، موارد آزمایش موجود و ابزارهای تخصصی برای تولید ماتریس پوشش کد برای هر زبان برنامه نویسی مورد علاقه نیاز دارند.در این مقاله ، ما برای اولین بار یک رویکرد ساده اما مؤثر تولید توالی برای تنظیم دقیق مدل های بزرگ زبان کد (LLMC) برای کارهای FL پیشنهاد می کنیم.LLMC ها اخیراً مورد توجه بسیاری از مشکلات مهندسی نرم افزار قرار گرفته اند.در راستای این موارد ، ما از درک ذاتی کدی که LLMC ها از طریق پیش از ترحم در شرکت های بزرگ کد به دست آورده اند ، استفاده می کنیم.به طور خاص ، ما رمزگذار نماینده ، رمزگذار رمزگذار و 13 LLMC مبتنی بر رمزگشایی را برای کارهای FL تنظیم می کنیم.بر خلاف رویکردهای قبلی ، LLMC ها می توانند توالی های کد را حتی با خطاهای نحوی تجزیه و تحلیل کنند ، زیرا آنها به ورودی کامپایل متکی نیستند.با این وجود ، آنها محدودیتی در طول داده های ورودی دارند.بنابراین ، برای مقایسه عادلانه با تکنیک های FL موجود ، ما روش هایی را با خطاهای موجود در معیار سطح پروژه ، نقص 4J استخراج می کنیم و آنها را در سطح خط تجزیه و تحلیل می کنیم.نتایج تجربی نشان می دهد که LLMCS با رویکرد ما با موفقیت موقعیت های خطا را در 50.6 \ ٪ ، 64.2 \ ٪ و 72.3 \ ٪ از 1،291 روش در نقص 4J برای پیش بینی Top-1/3/5 تنظیم می کند ، بهتر از بهترین حالت مبتنی بر یادگیری استتکنیک-تکنیک به ترتیب تا 1.35 ، 1.12 و 1.08 بار.یافته های ما حاکی از مسیرهای تحقیق امیدوارکننده برای FL و کارهای تعمیر خودکار برنامه با استفاده از LLMC ها است.