要約
コードの類似性を正確に判断する能力は、ソフトウェア開発に関連する多くの作業において極めて重要である。例えば、ソフトウェアの保守を行う際に、コードの重複を特定することは不可欠である。本研究では、複数の教師なし類似性尺度の長所を組み合わせた、コード類似性評価のための新しいアンサンブル学習アプローチを導入する。重要な考え方は、多様な類似性尺度の強みが互いに補完し合い、個々の弱点を緩和することで、性能の向上につながるということである。予備的な結果では、TransformersベースのCodeBERTとその変種であるGraphCodeBERTは、豊富なトレーニングデータが存在する場合には間違いなく最良の選択肢であるが、特定の小さなデータセット（最大500サンプル）の場合には、我々のアンサンブルは、結果の解の解釈可能性を損なうことなく、トレーニングによる関連するカーボンフットプリントがはるかに低い状態で、同様の結果を達成する。この新しいアプローチのソースコードは、https://github.com/jorge-martinez-gil/ensemble-codesim からダウンロードできる。
要約(オリジナル)
The capability of accurately determining code similarity is crucial in many tasks related to software development. For example, it might be essential to identify code duplicates for performing software maintenance. This research introduces a novel ensemble learning approach for code similarity assessment, combining the strengths of multiple unsupervised similarity measures. The key idea is that the strengths of a diverse set of similarity measures can complement each other and mitigate individual weaknesses, leading to improved performance. Preliminary results show that while Transformers-based CodeBERT and its variant GraphCodeBERT are undoubtedly the best option in the presence of abundant training data, in the case of specific small datasets (up to 500 samples), our ensemble achieves similar results, without prejudice to the interpretability of the resulting solution, and with a much lower associated carbon footprint due to training. The source code of this novel approach can be downloaded from https://github.com/jorge-martinez-gil/ensemble-codesim.
arxiv情報
| 著者 | Jorge Martinez-Gil |
| 発行日 | 2024-05-03 13:42:49+00:00 |
| arxivサイト | arxiv_id(pdf) |