# Inspectable Control for Structure-Preserving Software Regeneration

Canonical HTML: https://aogavrilov.com/th/publications/inspectable-control/

Document language: th

การควบคุมที่ตรวจสอบได้สําหรับการสร้างซอฟต์แวร์ขึ้นใหม่โดยคงโครงสร้าง

การสร้างโค้ดใหม่บางส่วนอย่างควบคุมได้โดยใช้ตัวแทนแฝงไม่ต่อเนื่องเชิงลําดับชั้น

[Alexey Gavrilov](https://orcid.org/0009-0006-3147-5430) 1 [Alan-Barsag Gazzaev](https://orcid.org/0009-0000-0334-312X) 1 [Mikhail Mozikov](https://orcid.org/0000-0003-0594-867X) 2 [Ilya Makarov](https://orcid.org/0000-0002-3308-8825) 2 [Sergey Muravyov](https://orcid.org/0000-0002-4251-1744) 1

1. [ITMO University, Saint Petersburg, Russian Federation](https://en.itmo.ru/)
2. [AXXX, มอสโก, สหพันธรัฐรัสเซีย](https://axxx.tech/)

[อ่านบทความฉบับเต็มในรูปแบบ HTML](https://aogavrilov.com/publications/inspectable-control/full-text/) เนื้อหาที่ค้นหาได้ พร้อมสูตร ตาราง รูป และเอกสารอ้างอิง

ต้นฉบับพร้อมตีพิมพ์ของผู้เขียน พร้อมรายชื่อผู้เขียนฉบับสุดท้ายและ DOI CC BY 4.0 author manuscript; the ACM DOI page remains the version of record. [เงื่อนไขการเผยแพร่และการนําไปใช้ซ้ํา](https://creativecommons.org/licenses/by/4.0/) .

## ทําความเข้าใจบทความใน 30 วินาที

**คําถามวิจัย** แบบจําลองเชิงกําเนิดจะแก้ไขส่วนที่เลือกของโปรแกรม พร้อมคงองค์ประกอบที่กําหนดในโครงสร้างระดับหยาบไว้ได้อย่างไร

### ปัญหา

การปรับแก้โค้ดด้วย AI มักต้องการให้เปลี่ยนเพียงส่วนเดียวภายในขอบเขต โดยคงโครงสร้างโปรแกรมที่เลือกไว้ การสร้างโปรแกรมทั้งชุดขึ้นใหม่อาจกระทบส่วนที่ไม่เกี่ยวข้อง ขณะที่ข้อจํากัดระดับโทเค็นไม่ได้ให้ส่วนต่อประสานสําหรับควบคุมโครงสร้างระดับหยาบ

### แนวทาง

งานวิจัยนี้เข้ารหัสฟังก์ชัน Python ขนาด 64 โทเค็นด้วย VQ-VAE แบบลําดับชั้น ตรึงรหัสไม่ต่อเนื่องระดับหยาบที่เลือกไว้ แล้วใช้การสร้างแบบไม่ต่อเนื่องชนิดมาสก์เพื่อสร้างโค้ดขึ้นใหม่เฉพาะบริเวณในตําแหน่งแฝงที่เหลือ

### ผลลัพธ์หลัก

การตรึงรหัสระดับบนสี่ตําแหน่งเพิ่มอัตราการพาร์สสําเร็จจาก 0.453 เป็น 0.591 ขณะที่ตําแหน่งที่ไม่ได้ตรึงยังเปลี่ยนแปลงในอัตรา 0.936 และค่าความไม่ซ้ํากันของตัวอย่างแบบมีเงื่อนไขยังอยู่ที่ 0.998

### เหตุผลที่เรื่องนี้สําคัญ

ผลลัพธ์แสดงภาวะแลกเปลี่ยนระหว่างเสถียรภาพกับความยืดหยุ่นที่วัดได้ในการแก้ไขโค้ดแบบควบคุมและการสร้างโปรแกรมขึ้นใหม่เฉพาะส่วน นี่เป็นหลักฐานเบื้องต้นว่าชั้นควบคุมในปริภูมิแฝงสามารถตรวจสอบได้ มิใช่ข้อพิสูจน์ความสมมูลเชิงความหมายหรือความถูกต้องเชิงการทํางาน

## บทคัดย่อ

กระบวนงานวิศวกรรมซอฟต์แวร์ เช่น การซ่อมแซมภายใต้ข้อจํากัด การปรับปรุงเป็นลําดับขั้น และการแก้ไขโดยคงโครงสร้าง จําเป็นต้องควบคุมว่าส่วนใดเปลี่ยนแปลงและส่วนใดคงเดิม การสร้างในระดับโทเค็นเป็นส่วนต่อประสานการควบคุมที่ยังไม่เหมาะกับงานเหล่านี้นัก เพราะจํากัดเพียงข้อความระดับพื้นผิวในบริเวณเฉพาะ แทนที่จะจํากัดคุณสมบัติคงตัวของโครงสร้างระดับหยาบที่งานวิศวกรรมซอฟต์แวร์มักต้องการรักษาไว้ เราศึกษาตัวแปรแฝงไม่ต่อเนื่องแบบลําดับชั้นในฐานะการแทนค่ากลางที่ตรวจสอบได้สําหรับชิ้นงานซอฟต์แวร์ โดย VQ-VAE แบบลําดับชั้นบีบอัดฟังก์ชัน Python ขนาด 64 โทเค็นเป็นรหัสไม่ต่อเนื่องระดับหยาบและระดับละเอียด แล้วใช้การสร้างแบบไม่ต่อเนื่องชนิดมาสก์สร้างใหม่เฉพาะตําแหน่งที่เลือกภายใต้ข้อจํากัดบางส่วน ในฟังก์ชัน Python ที่ผ่านการประมวลผลล่วงหน้า 2,000 ฟังก์ชัน การตรึงรหัสระดับบนสี่ตําแหน่งเพิ่มอัตราการพาร์สสําเร็จจาก 0.453 เป็น 0.591 โดยตําแหน่งที่ไม่ได้ตรึงยังเปลี่ยนแปลงอย่างมาก (ความยืดหยุ่นในการแก้ไข 0.936) และตัวอย่างแทบทั้งหมดไม่ซ้ํากัน (ความหลากหลาย 0.998) เมื่อกําหนดบริบทระดับหยาบไว้คงที่ การปรับรายละเอียดระดับล่างให้ผลอ่อนกว่าแต่ยังคงมีแนวโน้มแบบเอกทิศทาง ซึ่งสอดคล้องกับการตีความลําดับชั้นจากหยาบไปละเอียด โดยรวม ผลลัพธ์เหล่านี้เป็นหลักฐานเบื้องต้นของชั้นควบคุมที่ใช้งานได้จริงสําหรับสร้างชิ้นงานซอฟต์แวร์ขึ้นใหม่ภายในขอบเขตและโดยคงโครงสร้าง เหนือระดับโทเค็น

เผยแพร่ ณ เอกสารประกอบการประชุม Proceedings of the 34th ACM International Conference on the Foundations of Software Engineering

ประเภทคุณูปการ วิธีควบคุมในปริภูมิแฝง

5 กรกฎาคม 2026 หน้า 1406–1407 โปสเตอร์ประกอบ

DOI [https://doi.org/10.1145/3803437.3807386](https://doi.org/10.1145/3803437.3807386)

## เนื้อหา ในหน้านี้

## ผลลัพธ์สําคัญ

| การตั้งค่า | อัตราการแจง | โครงร่าง | ลายมือชื่อ | การเปลี่ยนแปลงในส่วนที่ไม่ล็อก |
| --- | --- | --- | --- | --- |
| ข้อมูลนําเข้า (ตัดทอน) | 0.994 | 0.994 | 0.994 | — |
| การสร้างคืนของโคเดก | 0.857 | 0.848 | 0.493 | 0 |
| การสร้างแบบไม่มีเงื่อนไข | 0.453 | 0.08 | 0 | 0.995 |
| แบบมีเงื่อนไข, คํานําหน้า k=4 | 0.591 | 0.295 | 0.061 | 0.936 |
| แบบมีเงื่อนไข, ช่วงลายเซ็น | 0.6 | 0.302 | 0.063 | ไม่ได้รายงาน |

**ผลลัพธ์สําคัญ** การตรึงตัวแปรแฝงระดับหยาบช่วยเพิ่มเสถียรภาพทางวากยสัมพันธ์โดยไม่ทําให้การเปลี่ยนแปลงในบริเวณที่แก้ไขได้ยุบหาย ผลลัพธ์นี้แสดงถึงการควบคุมเชิงโครงสร้าง มิใช่การรับประกันความสมมูลเชิงหน้าที่

ดาวน์โหลดผลลัพธ์: [CSV](https://aogavrilov.com/publications/inspectable-control/results.csv) [JSON](https://aogavrilov.com/publications/inspectable-control/results.json) [Markdown](https://aogavrilov.com/publications/inspectable-control/results.md) แหล่งสําเนาภายนอก: [การ์ดชุดข้อมูล Hugging Face](https://huggingface.co/datasets/aogavrilov/inspectable-control-results)

## PDF และการอ้างอิง

**อ้างอิงบทความนี้** BibTeX เป็นรูปแบบที่แนะนํา รูปแบบย่อยทั้งหมดด้านล่างสร้างจากระเบียนผลงานตีพิมพ์เดียวกัน

```
@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},
}
```

ไฟล์รายการอ้างอิง: [ข้อความรูปแบบ APA](https://aogavrilov.com/publications/inspectable-control/citation-apa.txt) [ข้อความรูปแบบ IEEE](https://aogavrilov.com/publications/inspectable-control/citation-ieee.txt) [RIS](https://aogavrilov.com/publications/inspectable-control/citation.ris) [CSL-JSON](https://aogavrilov.com/publications/inspectable-control/citation.json) [Schema.org JSON-LD](https://aogavrilov.com/publications/inspectable-control/metadata.jsonld) [OAI-DC XML](https://aogavrilov.com/publications/inspectable-control/oai-dc.xml) [OpenAIRE v4 XML](https://aogavrilov.com/publications/inspectable-control/openaire.xml) [MODS XML](https://aogavrilov.com/publications/inspectable-control/mods.xml) [XML ข้อมูลอภิพันธุ์ JATS 1.4](https://aogavrilov.com/publications/inspectable-control/metadata.jats.xml) [เนื้อหาฉบับเต็มรูปแบบ JATS 1.4 XML](https://aogavrilov.com/publications/inspectable-control/full-text/article.jats.xml) [RDF Turtle](https://aogavrilov.com/publications/inspectable-control/metadata.ttl) [ชุดลิงก์ (JSON)](https://aogavrilov.com/publications/inspectable-control/linkset.json) [ชุดลิงก์ (HTTP)](https://aogavrilov.com/publications/inspectable-control/linkset) [RO-Crate](https://aogavrilov.com/publications/inspectable-control/ro-crate-metadata.json)

DOI: [https://doi.org/10.1145/3803437.3807386](https://doi.org/10.1145/3803437.3807386)

คู่มือฉบับเต็ม

## คู่มือวิจัยฉบับเต็ม

## วิธีการ

## 

วิธีนี้บีบอัดฟังก์ชัน Python ขนาดสั้นเป็นรหัสไม่ต่อเนื่องสองระดับ ตรึงตําแหน่งระดับหยาบที่เลือกไว้ แล้วสร้างตําแหน่งที่เหลือขึ้นใหม่ก่อนถอดรหัสกลับเป็นโค้ด

1. เข้ารหัส บีบอัดฟังก์ชัน Python ขนาด 64 โทเคนให้เป็นรหัสระดับบน 16 รหัสและรหัสระดับล่าง 32 รหัสด้วย VQ-VAE เชิงลําดับชั้น
2. ตรึง เลือกตําแหน่งรหัสระดับหยาบที่แทนโครงสร้างซึ่งต้องรักษาไว้ เช่น คํานําหน้าที่ครอบคลุมช่วงลายเซ็นฟังก์ชัน
3. สร้างขึ้นใหม่ ดําเนินการสร้างแบบไม่ต่อเนื่องที่มีมาสก์เฉพาะตําแหน่งที่ไม่ได้ล็อก แล้วถอดรหัสลําดับชั้นที่สมบูรณ์กลับเป็นซอร์สโค้ด
4. ตรวจสอบ วัดอัตราการแจง องค์ประกอบชี้วัดแทนเชิงโครงสร้าง การเปลี่ยนแปลงในตําแหน่งที่ปลดล็อก และความเป็นเอกลักษณ์ของตัวอย่าง ก่อนยอมรับผลการสร้างใหม่

![ตรึงโค้ดโปรแกรมระดับหยาบที่เลือกไว้ ขณะที่สร้างโค้ดไม่ต่อเนื่องระดับละเอียดซึ่งถูกมาสก์ขึ้นใหม่ แล้วถอดรหัสเป็นฟังก์ชัน Python ที่ปรับแก้แล้ว](https://aogavrilov.com/publications/inspectable-control/hierarchical-discrete-latent-code-editing.svg)

**การแก้ไขรหัสแฝงไม่ต่อเนื่องแบบลําดับชั้นคงโครงสร้างระดับหยาบของโปรแกรมในส่วนที่เลือกไว้ พร้อมสร้างรหัสระดับละเอียดขึ้นใหม่ในบริเวณที่แก้ไขได้* แหล่งที่มา: [แผนภาพอธิบายที่ผู้เขียนจัดทําขึ้นจากวิธีการและผลลัพธ์ที่ตีพิมพ์](https://doi.org/10.1145/3803437.3807386) . เงื่อนไขการนํากลับมาใช้: [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/) . รูปแบบการอ้างถึงที่แนะนํา: Gavrilov et al. (2026), Inspectable Control for Structure-Preserving Software Regeneration. [ดาวน์โหลด SVG](https://aogavrilov.com/publications/inspectable-control/hierarchical-discrete-latent-code-editing.svg) .*

### แนวคิดสําคัญ

ใช้การควบคุมกับตัวแทนที่เรียนรู้ซึ่งอยู่เหนือระดับโทเคน โดยตําแหน่งตัวแปรแฝงระดับหยาบกําหนดจุดที่ชัดเจนสําหรับตรึงโครงสร้าง ขณะที่รายละเอียดการนําไปใช้ในบริเวณใกล้เคียงยังแก้ไขได้

### ความแตกต่างจากแนวทางที่ใกล้เคียง

ข้อจํากัดระดับพรอมป์หรือระดับโทเคนทํางานกับข้อความในระดับพื้นผิว ส่วนอินเทอร์เฟซที่เสนอเปิดให้เข้าถึงจุดควบคุมแบบไม่ต่อเนื่องทั้งระดับหยาบและระดับละเอียด พร้อมวัดผลได้เสียระหว่างเสถียรภาพกับเสรีภาพที่เกิดขึ้น

### ส่วนใหม่ของงาน

งานนี้นําเสนอและประเมินชั้นควบคุมปริภูมิแฝงแบบลําดับชั้นที่ตรวจสอบได้ สําหรับการสร้างสิ่งประดิษฐ์ซอฟต์แวร์ใหม่ภายในขอบเขต

## คําถามที่บทความนี้ช่วยตอบ

## 

เปิดคําถามเพื่ออ่านคําตอบโดยสังเขปที่อิงจากบทความ ขอบเขตของหลักฐานโดยละเอียดระบุไว้ในหัวข้อข้อจํากัด

1. AI จะแก้ไขโค้ดโดยไม่เขียนทุกอย่างขึ้นใหม่ได้อย่างไร บทความศึกษาการสร้างโค้ดบางส่วนขึ้นใหม่เหนือระดับโทเคน VQ-VAE แบบลําดับชั้นแมปฟังก์ชัน Python ขนาดสั้นไปเป็นโค้ดไม่ต่อเนื่องระดับหยาบและระดับละเอียด โดยตรึงตําแหน่งระดับหยาบที่เลือกไว้ และการสร้างแบบไม่ต่อเนื่องที่มีการมาสก์จะเปลี่ยนเฉพาะตําแหน่งแฝงที่เหลือก่อนถอดรหัส วิธีนี้ให้ขอบเขตการคงรักษาที่ชัดเจน แทนการสร้างฟังก์ชันทั้งหมดขึ้นใหม่
2. วิธีใดคงโครงสร้างโปรแกรมไว้ระหว่างการสร้างโค้ด งานนี้ทดสอบการควบคุมตัวแปรแฝงแบบไม่ต่อเนื่องเชิงลําดับชั้น โดยตรึงตําแหน่งแฝงระดับหยาบไว้ได้ ขณะที่สร้างตําแหน่งที่ไม่ล็อกขึ้นใหม่ จากนั้นจึงวัดอัตราการแจงและตัวแทนวัดเชิงโครงสร้าง หลักฐานเกี่ยวข้องกับเสถียรภาพเชิงโครงสร้างแบบน่าจะเป็นของฟังก์ชัน Python ขนาดสั้น และมิได้ยืนยันการคง AST อย่างแม่นตรง ความสมมูลเชิงความหมาย หรือความถูกต้องเชิงการทํางาน
3. ตัวแปรแฝงแบบไม่ต่อเนื่องเชิงลําดับชั้นสามารถให้การควบคุมโค้ดเฉพาะบริเวณได้หรือไม่ ในการทดลองกับฟังก์ชัน 2,000 รายการที่รายงานไว้ การตรึงโค้ดระดับบนสี่ตําแหน่งเพิ่มอัตราการแจงจาก 0.453 เป็น 0.591 ขณะเดียวกัน ตําแหน่งที่ไม่ถูกตรึงเปลี่ยนแปลงในสัดส่วน 0.936 และตัวอย่างแบบมีเงื่อนไขมีความเป็นเอกลักษณ์ 0.998 ผลเหล่านี้เป็นหลักฐานเบื้องต้นว่า ข้อจํากัดหยาบในปริภูมิแฝงอาจคงรักษาโครงสร้างบางส่วนได้โดยไม่ขจัดอิสระในการแก้ไขเฉพาะที่หรือความหลากหลายของตัวอย่าง
4. การสร้างโค้ดจะสร้างสมดุลระหว่างเสถียรภาพเชิงโครงสร้างกับความหลากหลายได้อย่างไร บทความประเมินเสถียรภาพและเสรีภาพร่วมกัน แทนการหาค่าเหมาะที่สุดเฉพาะความถูกต้อง การตรึงโค้ดระดับหยาบเพิ่มความถูกต้องทางวากยสัมพันธ์ ขณะที่การเปลี่ยนแปลงในตําแหน่งที่ไม่ถูกตรึงยังคงสูง และตัวอย่างแบบมีเงื่อนไขแทบทั้งหมดไม่ซ้ํากัน ผลลัพธ์แสดงภาวะได้อย่างเสียอย่างระหว่างเสถียรภาพกับเสรีภาพที่วัดได้ภายใต้การตั้งค่าที่ทดสอบ มิใช่ค่าที่เหมาะที่สุดอย่างเป็นสากล
5. งานนี้สัมพันธ์กับการแก้ไขโค้ดโดยอาศัย LLM อย่างไร แบบจําลองที่ทดสอบคือ VQ-VAE แบบลําดับชั้นร่วมกับการสร้างแบบไม่ต่อเนื่องชนิดปกปิด มิใช่แบบจําลองภาษาขนาดใหญ่ อย่างไรก็ดี ปัญหาการควบคุมยังเกี่ยวข้องกับการแก้ไขที่อาศัย LLM เพราะการเปลี่ยนแปลงที่ไม่จําเป็นนอกบริเวณที่ร้องขอเป็นข้อกังวลในทางปฏิบัติ บทความนี้นําเสนอกลไกในปริภูมิแฝงและกรอบการประเมินที่เสริมแนวทางเดิม มิใช่เกณฑ์มาตรฐานการแก้ไขด้วย LLM

## การเปรียบเทียบกับแนวทางที่ใกล้เคียง

## 

| ความสามารถ | การควบคุมระดับโทเค็น | การควบคุมปริภูมิแฝงเชิงลําดับชั้น |
| --- | --- | --- |
| ตรึงโครงสร้างระดับหยาบ | จํากัด | การล็อกโค้ดระดับหยาบโดยตรง |
| การสร้างใหม่บางส่วน | ข้อจํากัดระดับพื้นผิวที่เปราะบาง | การสุ่มตัวอย่างซ้ําแบบปกปิดสําหรับโค้ดที่เลือก |
| จุดควบคุมที่ตรวจสอบได้ | ไม่มีชั้นกลางที่กําหนดไว้อย่างชัดเจน | ตําแหน่งไม่ต่อเนื่องระดับหยาบและละเอียด |
| หลักฐานในบทความนี้ | ไม่ได้ประเมินในฐานะเส้นฐานที่สมบูรณ์ | การวินิจฉัยเสถียรภาพทางวากยสัมพันธ์และเสรีภาพในการแก้ไข |

ตารางนี้อธิบายส่วนต่อประสานและหลักฐานที่วัดได้ในการศึกษา โดยมิได้อ้างความถูกต้องเชิงการทํางานหรือความเหนือกว่าอย่างเป็นสากล

## ความเกี่ยวข้องและขอบเขต

## 

บทความนี้เกี่ยวข้องโดยตรงที่สุดกับงานที่ต้องควบคุมอย่างชัดเจนว่า การแปลงโค้ดโดยมี AI ช่วยอาจเปลี่ยนแปลงสิ่งใดได้ และส่วนใดของโปรแกรมควรคงเสถียร

1. การสร้างโค้ดที่ควบคุมได้และรักษาโครงสร้าง
2. การซ่อมแซมโปรแกรมเฉพาะส่วนและการปรับโครงสร้างโค้ดภายในขอบเขต
3. การแทนแบบไม่ต่อเนื่องเชิงลําดับชั้นสําหรับซอร์สโค้ด
4. การสร้างแบบไม่ต่อเนื่องชนิดปกปิดสําหรับซอร์สโค้ด
5. การควบคุมตัวแปรแฝงสําหรับสิ่งประดิษฐ์ซอฟต์แวร์

## ข้อจํากัด

## 

- การศึกษานี้จํากัดอยู่ที่ฟังก์ชัน Python ขนาดสั้นซึ่งตัดให้เหลือ 64 โทเค็น
- การประเมินใช้การถอดรหัสแบบ argmax และตัวชี้วัดตัวแทนด้านวากยสัมพันธ์หรือโครงสร้าง แทนการทดสอบความสมมูลเชิงฟังก์ชัน
- ความสามารถในการคงลายเซ็นไว้โดยแม่นตรงยังอยู่ในระดับต่ํา
- การควบคุมระดับล่างมีประสิทธิผลน้อยกว่าการควบคุมระดับบน
- ตําแหน่งแฝงยังไม่สอดคล้องกับบริเวณเชิงความหมาย เช่น ช่วงของ AST ซิกเนเจอร์ หรือโครงสร้างการไหลควบคุม
- ผลลัพธ์ไม่ได้ยืนยันความถูกต้องสําหรับการซ่อมแซม การปรับโครงสร้างโค้ด หรือการเปลี่ยนแปลงระดับคลังโค้ดในการใช้งานจริง

## เอกสารอ้างอิงที่บทความนี้อ้างถึง

## 

รายการเหล่านี้ตรงกับส่วนเอกสารอ้างอิงที่มีหมายเลขในไฟล์ PDF ของบทความ

1. Ali Razavi, Aaron van den Oord, Oriol Vinyals. 2019 . [Generating Diverse High-Fidelity Images with VQ-VAE-2](https://arxiv.org/abs/1906.00446) . Advances in Neural Information Processing Systems .
2. Jacob Austin, Daniel D. Johnson, Jonathan Ho, Daniel Tarlow, Rianne van den Berg. 2021 . [Structured Denoising Diffusion Models in Discrete State-Spaces](https://arxiv.org/abs/2107.03006) . 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. 2024 . [Simple and Effective Masked Diffusion Language Models](https://arxiv.org/abs/2406.07524) . Advances in Neural Information Processing Systems .
4. Shraddha Barke, Michael B. James, Nadia Polikarpova. 2023 . [Grounded Copilot: How Programmers Interact with Code-Generating Models](https://doi.org/10.1145/3586030) . 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. 2023 . [RepoCoder: Repository-Level Code Completion Through Iterative Retrieval and Generation](https://doi.org/10.18653/v1/2023.emnlp-main.151) . Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing .

## ทรัพยากรและความสามารถในการทําซ้ํา

## 

### คําชี้แจงข้อมูล

## รุ่น

## 

1. **ฉบับเผยแพร่** [ACM FSE Companion, 2026](https://doi.org/10.1145/3803437.3807386)
2. **ต้นฉบับของผู้เขียน** [ต้นฉบับพร้อมตีพิมพ์ที่เข้าถึงเนื้อหาได้ พร้อมรายชื่อผู้เขียนฉบับสุดท้ายและ DOI](https://aogavrilov.com/publications/inspectable-control/paper.pdf)
3. **แหล่งสําเนาเนื้อหาฉบับเต็มภายนอก** [ต้นฉบับผู้แต่งภายใต้ CC BY 4.0 บน Hugging Face](https://huggingface.co/datasets/aogavrilov/inspectable-control-results/resolve/main/paper.pdf)
4. **เปิดระเบียนในคลัง** [ระเบียน Zenodo ที่จัดทําดัชนีโดย OpenAIRE](https://zenodo.org/records/21605395)
5. **เปิดฉบับเต็มในคลัง** [ต้นฉบับผู้เขียนบน Zenodo ภายใต้ CC BY 4.0 มีข้อความเทียบเท่ากับต้นฉบับภายในเว็บไซต์](https://zenodo.org/records/21605395/files/fse2026-posters-final11%20%284%29.pdf?download=1)
6. **แหล่งข้อมูลจากผู้เขียน** [โปสเตอร์และชุดสไลด์](https://aogavrilov.com/publications/inspectable-control/media/)
7. **ระเบียนบรรณานุกรม** [DBLP](https://dblp.org/rec/conf/sigsoft/GavrilovGMMM26)
8. **เปิดระเบียนวิชาการ** [OpenAlex](https://openalex.org/W7169573479)
9. **ระเบียนกราฟการอ้างอิง** [Semantic Scholar](https://www.semanticscholar.org/paper/93c3de037596ce177d9d882d214ccad5c5405b00)
10. **ฉบับเต็มที่ผู้เขียนเผยแพร่** [ResearchGate](https://www.researchgate.net/publication/410435483_Inspectable_Control_for_Structure-Preserving_Software_Regeneration)
11. **บทสรุปภาษาที่เข้าใจง่าย** [คําชื่นชม](https://www.growkudos.com/publications/10.1145%252F3803437.3807386/reader)

DOI ที่เผยแพร่เป็นตัวระบุทางบรรณานุกรมหลัก หน้านี้ยังคงเป็น URL มาตรฐานเพียงแห่งเดียวของโครงการในทุกเวอร์ชัน

## สิ่งพิมพ์ที่เกี่ยวข้อง

- [Where Quality Breaks in Compressed Short-Text Generation: Staged Bottleneck Localization](https://aogavrilov.com/th/publications/where-quality-breaks/)

อ่าน [การแก้ไขโค้ดที่ควบคุมได้](https://aogavrilov.com/th/projects/discrete-latent-generation/) คู่มือการวิจัย [เกี่ยวกับผู้เขียน](https://aogavrilov.com/about/) .

### บันทึกวิจัยเฉพาะประเด็น

คําตอบที่จําเพาะต่อเจตนา พร้อมระบุขอบเขตของหลักฐานและเชื่อมโยงกลับมายังบทความนี้

- [การดัดแปลงโค้ดเฉพาะส่วนด้วยแบบจําลองเชิงกําเนิด](https://aogavrilov.com/th/research-notes/localized-code-modification-generative-models/)
- [การสร้างโค้ดภายใต้ข้อจํากัดสําหรับวิศวกรรมซอฟต์แวร์](https://aogavrilov.com/th/research-notes/constrained-code-generation-software-engineering/)
- [การปรับโครงสร้างด้วย AI: วิธีการและหลักฐาน](https://aogavrilov.com/th/research-notes/ai-assisted-refactoring-evidence/)
- [การสร้างโค้ดให้ได้ผลที่คาดการณ์ได้ต้องมีข้อกําหนดว่าสิ่งใดต้องคงไว้](https://aogavrilov.com/th/research-notes/predictable-code-generation-preservation-contract/)