AG — Alexey Gavrilov home

Inspectable Control for Structure-Preserving Software Regeneration

Přezkoumatelné řízení regenerace softwaru se zachováním struktury

Kontrolovatelná částečná regenerace kódu s využitím hierarchických diskrétních latentních reprezentací.

Alexey Gavrilov1Alan-Barsag Gazzaev1Mikhail Mozikov2Ilya Makarov2Sergey Muravyov1

  1. ITMO University, Saint Petersburg, Russian Federation
  2. AXXX, Moskva, Ruská federace

Přečíst celý článek v HTMLProhledávatelný text se vzorci, tabulkami, obrázky a bibliografickými odkazy.

Autorský rukopis připravený k tisku s konečným seznamem autorů a DOI. CC BY 4.0 author manuscript; the ACM DOI page remains the version of record. Podmínky zveřejnění a opětovného použití.

Článek ve 30 sekundách

Výzkumná otázkaJak může generativní model upravit vybrané části programu a přitom zachovat zvolené prvky jeho hrubé struktury?

Problém

Úpravy kódu s podporou AI často vyžadují jedinou vymezenou změnu, zatímco zvolená struktura programu má zůstat zachována. Regenerování celého programu může narušit nesouvisející oblasti a omezení na úrovni tokenů neposkytují řídicí rozhraní pro hrubou strukturu.

Přístup

Studie kóduje 64tokenové funkce v jazyce Python pomocí hierarchického VQ-VAE, uzamyká vybrané hrubé diskrétní kódy a ve zbývajících latentních pozicích používá maskované diskrétní generování k lokalizované regeneraci kódu.

Hlavní výsledek

Uzamčení čtyř kódů nejvyšší úrovně zvyšuje podíl syntakticky analyzovatelných výstupů z 0.453 na 0.591; míra změn v odemčených pozicích přitom zůstává na 0.936 a jedinečnost podmíněných vzorků na 0.998.

Proč je to důležité

Výsledky ukazují měřitelný kompromis mezi stabilitou a volností při řiditelných úpravách kódu a částečné regeneraci programu. Představují předběžné důkazy o přezkoumatelné řídicí vrstvě v latentním prostoru, nikoli důkaz sémantické ekvivalence či funkční správnosti.

Abstrakt

Pracovní postupy softwarového inženýrství, jako jsou opravy s omezeními, postupné zpřesňování a úpravy se zachováním struktury, vyžadují kontrolu nad tím, co se mění a co zůstává pevné. Generování na úrovni tokenů je pro tyto operace slabým řídicím rozhraním, protože omezuje povrchovou podobu lokálního textu, nikoli hrubé strukturní invarianty, které se softwarové inženýrství často snaží zachovat. Hierarchické diskrétní latentní reprezentace zkoumáme jako přezkoumatelnou mezireprezentaci softwarových artefaktů: hierarchický VQ-VAE komprimuje 64tokenovou funkci v jazyce Python do hrubých a jemných diskrétních kódů a maskované diskrétní generování při částečných omezeních regeneruje pouze vybrané pozice. Na 2 000 předzpracovaných funkcích v jazyce Python zvýšilo uzamčení čtyř kódů nejvyšší úrovně podíl syntakticky analyzovatelných výstupů z 0.453 na 0.591, přičemž zůstala zachována značná míra změn v odemčených pozicích (volnost úprav 0.936) a téměř maximální jedinečnost vzorků (rozmanitost 0.998). Při zafixovaném hrubém kontextu je zpřesňování na nižší úrovni slabší, zůstává však monotónní, což podporuje interpretaci hierarchie od hrubé k jemné úrovni. Výsledky tak poskytují předběžné důkazy o praktickém řídicím rozhraní nad úrovní tokenů, které umožňuje vymezenou regeneraci softwarových artefaktů se zachováním struktury.

Publikováno na Sborník 34th ACM International Conference on the Foundations of Software Engineering

Typ přínosu Metoda řízení v latentním prostoru

s. 1406–1407Doprovodný poster

DOI https://doi.org/10.1145/3803437.3807386

Sdílet tento článekSdílet

Klíčové výsledky

Přezkoumatelné řízení regenerace softwaru se zachováním struktury – hlavní výsledky
NastaveníÚspěšnost syntaktické analýzyKostraPodpisZměna v odemčené části
Vstup (zkráceno)0.9940.9940.994—
Rekonstrukce kodeku0.8570.8480.4930
Nepodmíněné generování0.4530.0800.995
Podmíněné, prefix k=40.5910.2950.0610.936
Podmíněné, úsek signatury0.60.3020.063neuvedeno

Klíčový výsledek. Uzamčení hrubých latentních reprezentací zvyšuje syntaktickou stabilitu, aniž by potlačilo změny v editovatelné oblasti; výsledek dokládá kontrolu struktury, nikoli zaručenou funkční ekvivalenci.

Datová sada
2 000 předzpracovaných funkcí v jazyce Python z podmnožiny CodeParrot Clean
Velikost vzorku
2 000 předzpracovaných funkcí v jazyce Python; jedinečnost podmíněných vzorků činí 0,998.
Metriky
Úspěšnost syntaktické analýzy; zástupné ukazatele zachování kostry a signatur; míra změn v odemčených pozicích; jedinečnost a entropie vzorků
Nejistota
Dvoustránková studie uvádí bodové odhady bez intervalů spolehlivosti a bez statistické analýzy více běhů s různými počátečními semeny.
Podmínky
Funkce o 64 tokenech, dekódování pomocí argmax, 16 kódů nejvyšší úrovně a 32 kódů nižší úrovně; při úplném uzamčení se přesně obnoví rekonstrukce kodeku.

Stáhnout výsledky:CSVJSONMarkdownExterní zrcadlová kopie:Karta datové sady na Hugging Face

PDF a citace

Jak citovat tento článek Doporučeným formátem je BibTeX. Všechny níže uvedené varianty pocházejí z téhož záznamu o publikaci.

Otevřít PDF
@inproceedings{Gavrilov2026InspectableControl,
  title      = {Inspectable Control for Structure-Preserving Software Regeneration},
  author     = {Gavrilov, Alexey and Gazzaev, Alan-Barsag and Mozikov, Mikhail and Makarov, Ilya and Muravyov, Sergey},
  booktitle  = {Proceedings of the 34th ACM International Conference on the Foundations of Software Engineering},
  publisher  = {ACM},
  year       = {2026},
  pages      = {1406--1407},
  doi        = {10.1145/3803437.3807386},
  url        = {https://doi.org/10.1145/3803437.3807386},
  isbn       = {979-8-4007-2636-1},
}
Stáhnout .bib

Citační soubory:Text citace podle APAText ve formátu IEEERISCSL-JSONSchema.org JSON-LDOAI-DC XMLOpenAIRE v4 XMLMODS XMLMetadata XML ve formátu JATS 1.4Plný text ve formátu JATS 1.4 XMLRDF TurtleSada odkazů (JSON)Sada odkazů (HTTP)RO-Crate

DOI:https://doi.org/10.1145/3803437.3807386

Úplný průvodce

Úplný výzkumný průvodce

Metoda

Metoda komprimuje krátkou funkci v Pythonu do dvou úrovní diskrétních kódů, zmrazí vybrané hrubé pozice a před zpětným dekódováním do kódu znovu vygeneruje zbývající pozice.

  1. Zakódování

    Komprimujte 64tokenovou funkci v jazyce Python pomocí hierarchického VQ-VAE do 16 kódů vyšší úrovně a 32 kódů nižší úrovně.

  2. Uzamčení

    Zvolte pozice hrubých kódů, které reprezentují strukturu určenou k zachování, například prefix pokrývající úsek signatury funkce.

  3. Regenerace

    Provést maskované diskrétní generování pouze nad odemčenými pozicemi a dokončenou hierarchii dekódovat zpět do zdrojového kódu.

  4. Zkontrolovat

    Před přijetím regenerovaného výstupu změřte úspěšnost syntaktické analýzy, strukturální zástupné ukazatele, změny v odemčených pozicích a jedinečnost vzorků.

Vybrané hrubé kódy programu zůstávají pevné, zatímco maskované jemné diskrétní kódy se regenerují a dekódují do upravené funkce v jazyce Python.
Úpravy hierarchických diskrétních latentních kódů zachovávají vybranou hrubou strukturu programu a regenerují jemné kódy v upravitelné oblasti.Zdroj: Vysvětlující schéma vytvořené autorem na základě publikované metody a výsledků..Podmínky opětovného užití: CC BY 4.0.Doporučená citace: Gavrilov et al. (2026), Inspectable Control for Structure-Preserving Software Regeneration. Stáhnout SVG.

Hlavní myšlenka

Kontrola se uplatňuje na naučenou reprezentaci nad úrovní tokenů: hrubé latentní pozice vymezují konkrétní místa, na nichž lze strukturu zafixovat, zatímco okolní implementační detaily zůstávají editovatelné.

Rozdíl oproti příbuzným přístupům

Omezení na úrovni zadání či tokenů působí na povrchovou podobu textu. Navržené rozhraní zpřístupňuje hrubé i jemné diskrétní řídicí body a měří výsledný kompromis mezi stabilitou a volností.

Co je nové

Práce zavádí a hodnotí přezkoumatelnou hierarchickou řídicí vrstvu v latentním prostoru pro ohraničenou regeneraci softwarových artefaktů.

Otázky, na které článek pomáhá odpovědět

Otevřete otázku a zobrazte stručnou odpověď opřenou o článek. Podrobné hranice důkazní platnosti jsou uvedeny v části Omezení.

  1. Jak může umělá inteligence upravovat kód, aniž by vše přepisovala?

    Článek zkoumá částečné regenerování kódu nad úrovní tokenů. Hierarchický VQ-VAE mapuje krátkou funkci v Pythonu na hrubé a jemné diskrétní kódy; vybrané hrubé pozice se uzamknou a maskované diskrétní generování před dekódováním mění pouze zbývající latentní pozice. Namísto regenerování celé funkce tak vzniká explicitní hranice zachování.

  2. Které metody při generování kódu zachovávají strukturu programu?

    Tato práce testuje hierarchické diskrétní řízení v latentním prostoru. Hrubé latentní pozice lze zafixovat, zatímco odemčené pozice se regenerují; následně se měří podíl úspěšného syntaktického rozboru a zástupné ukazatele struktury. Doklady se týkají pravděpodobnostní strukturální stability krátkých funkcí v jazyce Python; neprokazují přesné zachování AST, sémantickou ekvivalenci ani funkční správnost.

  3. Mohou hierarchické diskrétní latentní reprezentace umožnit lokalizovanou kontrolu nad kódem?

    V popsaném experimentu s 2,000 funkcemi zvýšilo uzamčení čtyř kódů nejvyšší úrovně podíl syntakticky analyzovatelných výstupů z 0.453 na 0.591. Současně se změnilo 0.936 odemčených pozic a podíl jedinečných podmíněných vzorků dosáhl 0.998. Tyto výsledky představují předběžný doklad, že hrubá omezení v latentním prostoru mohou zachovat část struktury, aniž by odstranila volnost lokálních úprav či rozmanitost vzorků.

  4. Jak lze při generování kódu vyvážit stabilitu struktury a rozmanitost?

    Článek hodnotí stabilitu a volnost společně, namísto optimalizace pouhé platnosti. Uzamčení hrubých kódů zvyšuje syntaktickou platnost, zatímco míra změn v odemčených pozicích zůstává vysoká a podmíněné vzorky téměř zcela jedinečné. Výsledek dokládá měřitelný kompromis mezi stabilitou a volností v testované konfiguraci, nikoli univerzální optimum.

  5. Jak tato práce souvisí s úpravami kódu podporovanými velkými jazykovými modely?

    Testovaným modelem je hierarchický VQ-VAE s maskovaným diskrétním generováním, nikoli velký jazykový model. Problém řízení je přesto relevantní pro editaci podporovanou LLM, protože zbytečné změny mimo požadovanou oblast představují praktický problém. Článek přináší doplňkový mechanismus v latentním prostoru a rámec hodnocení, nikoli benchmark editace pomocí LLM.

Porovnání s příbuznými přístupy

Přezkoumatelné řízení regenerace softwaru se zachováním struktury – věcné srovnání s příbuznými přístupy
SchopnostŘízení na úrovni tokenůHierarchická kontrola latentní reprezentace
Zafixujte hrubou strukturuOmezenéNativní uzamykání hrubých kódů
Částečná regeneraceKřehká povrchová omezeníMaskované převzorkování vybraných kódů
Kontrolní body umožňující inspekciŽádná explicitní mezivrstvaHrubé a jemné diskrétní pozice
Důkazy v této práciNehodnoceno jako úplná referenční metodaDiagnostika syntaktické stability a volnosti úprav

Tabulka popisuje rozhraní a empirické doklady naměřené ve studii; netvrdí funkční správnost ani univerzální převahu.

Relevance a rozsah

Článek je nejrelevantnější pro práce vyžadující explicitní kontrolu nad tím, co smí transformace kódu s podporou AI změnit a které části programu mají zůstat stabilní.

  1. Kontrolovatelné generování kódu se zachováním struktury

  2. Lokalizované opravy programů a ohraničená refaktorizace

  3. Hierarchické diskrétní reprezentace zdrojového kódu

  4. Maskované diskrétní generování zdrojového kódu

  5. Řízení softwarových artefaktů prostřednictvím latentních reprezentací

Viz omezení a hranice průkaznosti důkazů

Omezení

  • Studie se omezuje na krátké funkce v jazyce Python zkrácené na 64 tokenů.
  • Hodnocení používá dekódování pomocí argmax a syntaktické či strukturní zástupné metriky namísto testů funkční ekvivalence.
  • Přesné zachování signatur zůstává nespolehlivé.
  • Řízení na nižší úrovni je slabší než řízení na nejvyšší úrovni.
  • Latentní pozice dosud nejsou propojeny se sémantickými oblastmi, jako jsou úseky AST, signatury nebo struktura toku řízení.
  • Výsledky nedokládají správnost při praktických opravách, refaktorizaci ani změnách na úrovni repozitáře.

Literatura citovaná v článku

Tyto položky odpovídají číslovanému oddílu References v PDF článku.

  1. Ali Razavi, Aaron van den Oord, Oriol Vinyals. . Generating Diverse High-Fidelity Images with VQ-VAE-2. Advances in Neural Information Processing Systems.
  2. Jacob Austin, Daniel D. Johnson, Jonathan Ho, Daniel Tarlow, Rianne van den Berg. . Structured Denoising Diffusion Models in Discrete State-Spaces. Advances in Neural Information Processing Systems.
  3. Subham Sekhar Sahoo, Marianne Arriola, Yair Schiff, Aaron Gokaslan, Edgar Marroquin, Justin T Chiu, Alexander Rush, Volodymyr Kuleshov. . Simple and Effective Masked Diffusion Language Models. Advances in Neural Information Processing Systems.
  4. Shraddha Barke, Michael B. James, Nadia Polikarpova. . Grounded Copilot: How Programmers Interact with Code-Generating Models. Proceedings of the ACM on Programming Languages.
  5. Fengji Zhang, Bei Chen, Yue Zhang, Jacky Keung, Jin Liu, Daoguang Zan, Yi Mao, Jian-Guang Lou, Weizhu Chen. . RepoCoder: Repository-Level Code Completion Through Iterative Retrieval and Generation. Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing.

Zdroje a reprodukovatelnost

Vydavatel
ACM
Zdroje k publikaci
Veřejný rukopis, tabulky výsledků, vysvětlující obrázek a citační soubory jsou k dispozici zde. Implementační kód ani kontrolní body nebyly zveřejněny.

Prohlášení o datech

Zdroj
Předzpracovaná podmnožina CodeParrot Clean obsahující 2 000 funkcí v jazyce Python.
Licence
Tento web dále nešíří žádné soubory datové sady; opětovné použití se nadále řídí licencemi původní datové sady CodeParrot a zdrojových kódů.
Předzpracování
Funkce v jazyce Python se před hierarchickým kódováním tokenizují a zkrátí nebo doplní na 64 tokenů.
Rozdělit
Poster uvádí hodnoticí sadu 2 000 funkcí; veřejně dostupný článek neobsahuje neměnný manifest rozdělení na trénovací a validační data.
Formát
Zdrojové funkce v jazyce Python, sekvence tokenů ve stylu GPT, sekvence kódu nejvyšší úrovně o délce 16 a sekvence nižší úrovně o délce 32.
Verze / kontrolní součet
Dvoustánkový článek neuvádí kontrolní součet datové sady ani neměnný identifikátor jejího snímku.
Získání dat
Spolu se stránkou publikace nebyl zveřejněn skript pro získání dat.
Meze použití
Vzorek není reprezentativní pro software v měřítku repozitáře, více programovacích jazyků ani úlohy oprav ověřované podle chování.

Verze

  1. Publikovaná verzeACM FSE Companion, 2026
  3. Externí zrcadlová kopie plného textuAutorský rukopis pod licencí CC BY 4.0 na Hugging Face
  4. Otevřít záznam v repozitářiZáznam Zenodo indexovaný službou OpenAIRE
  6. Materiály autoraPoster a prezentace
  7. Bibliografický záznamDBLP
  8. Otevřít odborný záznamOpenAlex
  9. Záznam v citačním grafuSemantic Scholar
  10. Plný text zpřístupněný autoremResearchGate
  11. Shrnutí srozumitelným jazykemOcenění

Publikované DOI je primárním bibliografickým identifikátorem. Tato stránka zůstává napříč verzemi jedinou kanonickou adresou URL projektu.

Přečíst Kontrolovatelná editace kódu průvodce výzkumem.O autorovi.

Cílené výzkumné poznámky

Odpovědi přizpůsobené konkrétnímu záměru, s vymezením důkazní opory a odkazy zpět na tento článek.