AG — Alexey Gavrilov home

Inspectable Control for Structure-Preserving Software Regeneration

Yapıyı Koruyan Yazılımın Yeniden Üretimi İçin İncelenebilir Denetim

Hiyerarşik ayrık gizil temsiller kullanılarak denetlenebilir kısmi kod yeniden üretimi.

Alexey Gavrilov1Alan-Barsag Gazzaev1Mikhail Mozikov2Ilya Makarov2Sergey Muravyov1

  1. ITMO University, Saint Petersburg, Russian Federation
  2. AXXX, Moskova, Rusya Federasyonu

Makalenin tamamını HTML biçiminde okuyunFormüller, tablolar, şekiller ve kaynakça içeren aranabilir metin.

Nihai yazar listesi ve DOI'yi içeren, yayıma hazır yazar nüshası. CC BY 4.0 author manuscript; the ACM DOI page remains the version of record. Yayımlama ve yeniden kullanım koşulları.

Makale 30 saniyede

Araştırma sorusuÜretici bir model, kaba yapısının seçilen öğelerini korurken bir programın belirli bölümlerini nasıl değiştirebilir?

Problem

Yapay zekâ destekli kod değişikliğinde çoğu zaman, programın seçili yapısı sabit kalırken sınırları belirlenmiş tek bir değişiklik yapılması gerekir. Programın tamamını yeniden üretmek ilgisiz bölgeleri bozabilir; belirteç düzeyindeki kısıtlar ise kaba ölçekli bir denetim yüzeyi sunmaz.

Yaklaşım

Çalışma, 64 belirteçlik Python işlevlerini hiyerarşik bir VQ-VAE ile kodlar, seçilen kaba ayrık kodları kilitler ve kalan gizil konumlarda yerelleştirilmiş kodu yeniden üretmek için maskeli ayrık üretim kullanır.

Ana sonuç

Üst düzey dört kodun kilitlenmesi ayrıştırma oranını 0.453'ten 0.591'e yükseltirken kilidi açık konumlar yine 0.936 oranında değişmekte ve koşullu örneklerin 0.998'i benzersiz kalmaktadır.

Neden önemlidir?

Sonuçlar, denetlenebilir kod düzenleme ile kısmi program yeniden üretimi arasında ölçülebilir bir kararlılık–serbestlik ödünleşimi olduğunu göstermektedir. Bunlar, incelenebilir bir gizil denetim katmanına ilişkin ilk kanıtlardır; anlamsal eşdeğerliğin veya işlevsel doğruluğun kanıtı değildir.

Öz

Kısıtlı onarım, aşamalı iyileştirme ve yapıyı koruyan değişiklik gibi yazılım mühendisliği iş akışlarında, nelerin değişeceğinin ve nelerin sabit kalacağının denetlenmesi gerekir. Belirteç düzeyinde üretim, yazılım mühendisliğinde çoğu zaman korunmak istenen kaba ölçekli yapısal değişmezler yerine yerel yüzey metnini kısıtladığı için bu işlemlerde zayıf bir denetim yüzeyi sunar. Bu çalışmada hiyerarşik ayrık gizil değişkenleri yazılım yapıtları için incelenebilir bir ara temsil olarak ele alıyoruz: hiyerarşik bir VQ-VAE, 64 belirteçli bir Python işlevini kaba ve ince ayrık kodlara sıkıştırırken maskeli ayrık üretim, kısmi kısıtlar altında yalnızca seçili konumları yeniden üretir. Ön işlemden geçirilmiş 2,000 Python işlevinde üst düzey dört kodun kilitlenmesi, kilidi açık konumlardaki değişimin büyük ölçüde korunması (düzenleme serbestliği, 0.936) ve örneklerin neredeyse tümüyle benzersiz kalması (çeşitlilik, 0.998) koşullarında ayrıştırma oranını 0.453'ten 0.591'e yükseltir. Sabit kaba bağlam altında alt düzey iyileştirme daha zayıf olmakla birlikte monoton kalır ve hiyerarşinin kabadan inceye yorumlanmasını destekler. Genel olarak sonuçlar, belirteç düzeyinin üzerinde, sınırları belirlenmiş ve yapıyı koruyan yazılım yapıtı yeniden üretimini destekleyen uygulamaya dönük bir denetim katmanı için ilk kanıtları sunmaktadır.

Yayımlandığı yer Proceedings of the 34th ACM International Conference on the Foundations of Software Engineering

Katkı türü Gizil uzay denetim yöntemi

ss. 1406–1407Tamamlayıcı poster

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

Bu makaleyi paylaşPaylaş

Temel sonuçlar

Yapıyı Koruyan Yazılımın Yeniden Üretimi İçin İncelenebilir Denetim çalışmasının temel sonuçları
AyarAyrıştırma oranıİskeletİmzaKilidi açık değişiklik
Girdi (kısaltılmış)0.9940.9940.994—
Kodek yeniden oluşturumu0.8570.8480.4930
Koşulsuz üretim0.4530.0800.995
Koşullu, önek k=40.5910.2950.0610.936
Koşullu, imza aralığı0.60.3020.063bildirilmedi

Temel sonuç. Kaba gizil kilitleme, düzenlenebilir bölgedeki değişikliği ortadan kaldırmadan sözdizimsel kararlılığı artırır; bu sonuç, işlevsel eşdeğerlik garantisini değil, yapısal denetimi gösterir.

Veri kümesi
CodeParrot Clean'in bir alt kümesinden ön işlenmiş 2,000 Python fonksiyonu
Örneklem büyüklüğü
Ön işlenmiş 2,000 Python fonksiyonu; koşullu örnek benzersizliği 0.998'dir.
Ölçütler
Ayrıştırma oranı; İskelet ve imza korunumu vekil ölçütleri; Kilidi açılmış konumlardaki değişim oranı; Örnek benzersizliği ve entropi
Belirsizlik
İki sayfalık çalışma, güven aralıkları veya çoklu tohumlu istatistiksel analiz olmaksızın nokta tahminleri raporlar.
Koşullar
64 belirteçli fonksiyonlar, argmax kod çözme, 16 üst düzey kod ve 32 alt düzey kod; tam kilitleme, kodek yeniden oluşturmasını eksiksiz biçimde geri elde eder.

Sonuçları indir:CSVJSONMarkdownHaricî yansı:Hugging Face veri kümesi kartı

PDF ve atıf bilgileri

Bu makaleye atıf yapın Önerilen biçim BibTeX'tir. Aşağıdaki her bir biçim aynı yayın kaydından üretilmiştir.

PDF'yi açın
@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},
}
.bib dosyasını indir

Atıf dosyaları:APA metniIEEE metniRISCSL-JSONSchema.org JSON-LDOAI-DC XMLOpenAIRE v4 XMLMODS XMLJATS 1.4 üst veri XML'iTam metin JATS 1.4 XMLRDF TurtleBağlantı Kümesi (JSON)Bağlantı Kümesi (HTTP)RO-Crate

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

Kılavuzun tamamı

Araştırma kılavuzunun tamamı

Yöntem

Yöntem, kısa bir Python işlevini iki düzeyli ayrık kodlara sıkıştırır, seçilen kaba konumları dondurur ve yeniden koda çözmeden önce kalan konumları yeniden üretir.

  1. Kodla

    64 belirteçli bir Python işlevini hiyerarşik bir VQ-VAE ile 16 üst düzey ve 32 alt düzey koda sıkıştırın.

  2. Kilitle

    İşlev imzası aralığını kapsayan bir önek gibi, korunacak yapıyı temsil eden kaba kod konumlarını seçin.

  3. Yeniden üretin

    Maskeli ayrık üretimi yalnızca kilidi açık konumlarda çalıştırın ve tamamlanan hiyerarşiyi yeniden kaynak koda çözün.

  4. İncele

    Bir yeniden üretimi kabul etmeden önce ayrıştırma oranını, yapısal vekil ölçütleri, kilidi açılmış konumlardaki değişimi ve örnek benzersizliğini ölçün.

Seçilen kaba program kodları sabit tutulurken maskelenmiş ince ayrık kodlar yeniden üretilir ve değiştirilmiş bir Python işlevine çözülür.
Hiyerarşik ayrık gizil kod düzenleme, düzenlenebilir bölgede ince kodları yeniden üretirken programın seçili kaba ölçekli yapısını korur.Kaynak: Yayımlanan yöntem ve sonuçlar temelinde yazar tarafından hazırlanmış açıklayıcı şema..Yeniden kullanım koşulları: CC BY 4.0.Önerilen atıf: Gavrilov et al. (2026), Inspectable Control for Structure-Preserving Software Regeneration. SVG'yi indir.

Temel fikir

Denetim, belirteçlerin üzerindeki öğrenilmiş bir temsile uygulanır: kaba gizil konumlar, yakındaki uygulama ayrıntıları düzenlenebilir kalırken yapının dondurulabileceği açık yerleri tanımlar.

Benzer yaklaşımlardan farkı

İstem veya belirteç düzeyindeki kısıtlar yüzey metni üzerinde işler. Önerilen arayüz, kaba ve ince ayrık denetim noktalarını kullanıma açar ve bunun sonucunda ortaya çıkan kararlılık–serbestlik ödünleşimini ölçer.

Yenilik nedir?

Çalışma, sınırlandırılmış yazılım yapıtı yeniden üretimi için incelenebilir bir hiyerarşik gizil denetim katmanı sunar ve değerlendirir.

Bu makalenin yanıtlamaya yardımcı olduğu sorular

Makaleye dayalı kısa bir yanıt için bir soruyu açın. Ayrıntılı kanıt sınırları Sınırlılıklar bölümünde listelenmiştir.

  1. Yapay zekâ, her şeyi baştan yazmadan kodu nasıl düzenleyebilir?

    Makale, belirteç düzeyinin üzerindeki kısmi kod yeniden üretimini inceler. Hiyerarşik bir VQ-VAE, kısa bir Python işlevini kaba ve ince ayrık kodlara eşler; seçili kaba konumlar kilitlenir ve maskeli ayrık üretim, kod çözme öncesinde yalnızca geri kalan gizil konumları değiştirir. Böylece işlevin tamamını yeniden üretmek yerine açık bir koruma sınırı oluşturulur.

  2. Kod üretimi sırasında program yapısını hangi yöntemler korur?

    Bu çalışma, hiyerarşik ayrık gizil denetimi sınar. Kaba gizil konumlar sabitlenirken kilitli olmayan konumlar yeniden üretilebilir; ardından ayrıştırma oranı ve yapısal vekil ölçütler ölçülür. Kanıtlar, kısa Python işlevlerindeki olasılıksal yapısal kararlılığa ilişkindir; tam AST korumasını, anlamsal eşdeğerliği veya işlevsel doğruluğu ortaya koymaz.

  3. Hiyerarşik ayrık gizil değişkenler kod üzerinde yerelleştirilmiş denetim sağlayabilir mi?

    Bildirilen 2,000 işlevlik deneyde, üst düzey dört kodun kilitlenmesi ayrıştırma oranını 0.453'ten 0.591'e çıkardı. Aynı zamanda, kilidi açık konumların 0.936'sı değişti ve koşullu örneklerin 0.998'i benzersizdi. Bu sonuçlar, kaba taneli gizil kısıtların yerel düzenleme serbestliğini veya örnek çeşitliliğini ortadan kaldırmadan yapının bir bölümünü koruyabildiğine ilişkin ilk bulgulardır.

  4. Kod üretiminde yapısal kararlılık ile çeşitlilik arasında nasıl denge kurulabilir?

    Makale yalnızca geçerliliği eniyilemek yerine kararlılık ile serbestliği birlikte değerlendirir. Kaba kodların kilitlenmesi sözdizimsel geçerliliği artırırken kilitlenmemiş konumlardaki değişim yüksek kalmakta ve koşullu örneklerin neredeyse tamamı benzersizliğini korumaktadır. Sonuç, evrensel bir optimumu değil, sınanan yapılandırma altında ölçülebilir bir kararlılık–serbestlik ödünleşimini göstermektedir.

  5. Bu çalışma, LLM destekli kod düzenlemeyle nasıl ilişkilidir?

    Sınanan model, büyük bir dil modeli değil, maskeli ayrık üretim kullanan hiyerarşik bir VQ-VAE'dir. Bununla birlikte denetim sorunu, istenen bölgenin dışındaki gereksiz değişiklikler uygulamada kaygı yarattığı için LLM destekli düzenlemeyle ilişkilidir. Makalenin katkısı, bir LLM düzenleme karşılaştırma ölçütü değil, tamamlayıcı bir gizil uzay mekanizması ve değerlendirme çerçevesidir.

Benzer yaklaşımlarla karşılaştırma

Yapıyı Koruyan Yazılım Yeniden Üretimi için İncelenebilir Denetim'in yakın yaklaşımlarla olgusal karşılaştırması
YetenekBelirteç düzeyinde denetimHiyerarşik gizil denetim
Kaba yapıyı dondurunSınırlıYerleşik kaba kod kilitleme
Kısmi yeniden üretimKırılgan yüzey kısıtlarıSeçilen kodların maskeli olarak yeniden örneklenmesi
İncelenebilir denetim noktalarıAçık bir ara katman yokKaba ve ince ayrık konumlar
Bu makaledeki kanıtlarEksiksiz bir temel çizgi olarak değerlendirilmediSözdizimsel kararlılık ve düzenleme serbestliği tanılamaları

Tablo, arayüzleri ve çalışmada ölçülen kanıtları betimler; işlevsel doğruluk ya da evrensel üstünlük iddiasında bulunmaz.

İlgililik ve kapsam

Makale, yapay zekâ destekli bir kod dönüşümünün neleri değiştirebileceği ve programın hangi bölümlerinin kararlı kalması gerektiği üzerinde açık denetim gerektiren çalışmalarla özellikle ilgilidir.

  1. Denetlenebilir ve yapıyı koruyan kod üretimi

  2. Yerelleştirilmiş program onarımı ve sınırlandırılmış yeniden düzenleme

  3. Kaynak kod için hiyerarşik ayrık temsiller

  4. Kaynak kod için maskeli ayrık üretim

  5. Yazılım yapıtları için gizil denetim

Sınırlılıkları ve kanıt sınırlarını inceleyin

Sınırlılıklar

  • Çalışma, 64 belirteçte kesilmiş kısa Python işlevleriyle sınırlıdır.
  • Değerlendirmede işlevsel eşdeğerlik testleri yerine argmax kod çözme ile sözdizimsel ya da yapısal vekil ölçütler kullanılır.
  • İmzanın birebir korunması hâlen zayıftır.
  • Alt düzey denetim, üst düzey denetimden daha zayıftır.
  • Gizil konumlar henüz AST aralıkları, imzalar veya denetim akışı yapısı gibi anlamsal bölgelerle hizalanmış değildir.
  • Sonuçlar, uygulamadaki onarım, yeniden düzenleme veya depo düzeyindeki değişiklikler için doğruluk ortaya koymamaktadır.

Makalede atıf yapılan kaynaklar

Bu girdiler, makalenin PDF sürümündeki numaralı Kaynakça bölümüyle eşleşir.

  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.

Kaynaklar ve yeniden üretilebilirlik

Yayıncı
ACM
Yayın kaynakları
Herkese açık makale, sonuç tabloları, açıklayıcı şekil ve atıf dosyaları burada sunulmaktadır. Uygulama kodu ve denetim noktaları kamuya açıklanmamıştır.

Veri bildirimi

Kaynak
CodeParrot Clean'in 2,000 Python fonksiyonu içeren ön işlenmiş bir alt kümesi.
Lisans
Bu site herhangi bir veri kümesi dosyasını yeniden dağıtmaz; yeniden kullanım, kaynak CodeParrot veri kümesinin ve kaynak kodun lisanslarına tabidir.
Ön işleme
Python işlevleri, hiyerarşik kodlamadan önce belirteçlere ayrılır ve 64 belirtece kırpılır ya da doldurulur.
Böl
Poster, 2.000 işlevden oluşan bir değerlendirme kümesi bildirmektedir; herkese açık makalede değişmez bir eğitim/doğrulama ayrımı bildirimi bulunmamaktadır.
Biçim
Python kaynak işlevleri, GPT tarzı belirteç dizileri, 16 uzunluğundaki üst düzey kod dizileri ve 32 uzunluğundaki alt düzey diziler.
Sürüm / sağlama toplamı
İki sayfalık makalede veri kümesi sağlama toplamı ve değişmez anlık görüntü tanımlayıcısı bildirilmemiştir.
Edinim
Yayın sayfasıyla birlikte kamuya açık bir edinim betiği yayımlanmamıştır.
Kullanım sınırları
Örneklem; depo ölçeğindeki yazılımları, birden çok programlama dilini veya davranışsal olarak doğrulanmış onarım görevlerini temsil etmemektedir.

Sürümler

  1. Yayımlanmış sürümACM FSE Companion, 2026
  6. Yazar kaynaklarıPoster ve slayt destesi
  7. Bibliyografik kayıtDBLP
  8. Akademik kaydı açınOpenAlex
  9. Atıf grafiği kaydıSemantic Scholar
  10. Yazarın paylaştığı tam metinResearchGate
  11. Sade dille özetKudos

Yayımlanmış DOI, birincil bibliyografik tanımlayıcıdır. Bu sayfa, sürümler arasında projenin tek kanonik URL'si olarak kalır.

Şunu okuyun: Denetlenebilir kod düzenleme araştırma rehberi.Yazar hakkında.

Odaklı araştırma notları

Kanıt sınırları belirtilmiş ve bu makaleye geri bağlantılar içeren, amaca özgü yanıtlar.