要約
ディープ コード生成は、ソフトウェア エンジニアリングのためのディープ ラーニング (DL4SE) のトピックであり、ニューラル モデルを採用して目的の機能のコードを生成します。
エンドツーエンドのニューラル手法にはドメインの知識とソフトウェア階層の認識が不足しているため、プロジェクト レベルのタスクを適切に実行できない傾向があります。
コード生成の潜在的な改善を系統的に検討するために、\emph{expressibles} から \emph{executables} までのトップダウン開発全体にコード生成を参加させます。これは限られた範囲内で可能です。
その過程で、大量のサンプル、機能、知識の恩恵を受けます。
基礎として、コード情報の分類を活用して、コードデータに関する分類法、つまりコード分類法を構築することを提案します。
さらに、テキストデータとコードデータを関連付けるために、3 層のセマンティックピラミッド (SP) を導入します。
さまざまな抽象レベルの情報を識別することで、開発に関するドメイン知識を導入し、ソフトウェアの階層を明らかにします。
さらに、モジュール性が高く、複雑性が低いソフトウェアに焦点を当てたアプローチとして、セマンティック ピラミッド フレームワーク (SPF) を提案します。
SPF は、コード生成プロセスを複数の段階に分割し、潜在的な相互作用のためのスポットを予約します。
さらに、神経象徴的な枠組みを確認するために、ソフトウェア開発における予備的なアプリケーションを考案しました。
要約(オリジナル)
Deep code generation is a topic of deep learning for software engineering (DL4SE), which adopts neural models to generate code for the intended functions. Since end-to-end neural methods lack domain knowledge and software hierarchy awareness, they tend to perform poorly w.r.t project-level tasks. To systematically explore the potential improvements of code generation, we let it participate in the whole top-down development from \emph{expressibles} to \emph{executables}, which is possible in limited scopes. In the process, it benefits from massive samples, features, and knowledge. As the foundation, we suggest building a taxonomy on code data, namely code taxonomy, leveraging the categorization of code information. Moreover, we introduce a three-layer semantic pyramid (SP) to associate text data and code data. It identifies the information of different abstraction levels, and thus introduces the domain knowledge on development and reveals the hierarchy of software. Furthermore, we propose a semantic pyramid framework (SPF) as the approach, focusing on software of high modularity and low complexity. SPF divides the code generation process into stages and reserves spots for potential interactions. In addition, we conceived preliminary applications in software development to confirm the neuro-symbolic framework.
arxiv情報
| 著者 | Jian Gu,Harald C. Gall |
| 発行日 | 2023-08-23 16:44:27+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google