اکسپرس 24
ترجمه فارسی مقاله مدل‌های زبان بزرگ برای تشخیص کلون کد بین زبانی

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

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Large Language Models for cross-language code clone detection
عنوان مقاله به فارسی مدل‌های زبان بزرگ برای تشخیص کلون کد بین زبانی
نویسندگان Micheline Bénédicte Moumoula, Abdoul Kader Kabore, Jacques Klein, Tegawendé Bissyande
فرمت مقاله انگلیسی PDF
تعداد صفحات 12
دسته بندی موضوعات Software Engineering,Artificial Intelligence,Machine Learning,مهندسی نرم افزار , هوش مصنوعی , یادگیری ماشین ,
توضیحات Submitted 8 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 8 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 480,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

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.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.