.png){kind=icon}
返回
Enhancing code smell classification with code refactoring-based data augmentation
.png){kind=icon}
PRE
AI
DOI：10.1007/s10115-026-02859-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度神经网络训练的主要挑战之一是需要稳健且多样化的数据源。为解决此限制，数据增强技术已成为一种有前景的解决方案，能够在不要求额外数据收集的情况下扩展训练数据集。本研究探讨了基于代码重构的增强效果以及增强数据量在改进深度学习系统中的代码异味分类中的作用。我们进行了基于规则和大型语言模型的增强与带有损失惩罚的神经网络算法数据平衡方法的比较分析。此外，开发了一种新颖的加权策略，以优化增强数据量的分布评估，减少计算开销同时保持分析精度。我们使用预训练的BERT、CodeBERT和GraphCodeBERT模型生成代码嵌入，并评估了它们在模型训练中的性能。研究发现，使用GraphCodeBERT和大型语言模型的基于代码重构的增强能提高模型性能，特别是在处理类别不平衡方面。数据量的影响因类别大小而异，在最初应用于少数类别的增强增量中观察到最大改进。相反，损失惩罚、BERT和CodeBERT基于的增强对整体性能的影响被证明是微不足道或在某些情况下有害的。这些结果强调了基于代码重构的增强在推动更高效数据增强策略发展方面的潜力，最终有助于代码异味分类任务及其他深度学习应用实现更好性能。
Keyword:
Code embedding
Data augmentation
Code smell
Code refactoring
Loss penalty
Weight factor
Classification
期刊
IF:
3.1
论文数:
544
被引数:
5.2K
机构
引用论文
Actionable code smell identification with fusion learning of metrics and semantics基于度量与语义融合学习的可操作代码异味识别
PREAI
分享收藏Dynamically Weighted Balanced Loss: Class Imbalanced Learning and Confidence Calibration of Deep Neural Networks动态加权平衡损失: 深度神经网络的类不平衡学习和置信度校准
PREAI
分享收藏Code smells and refactoring: A tertiary systematic review of challenges and observations代码气味和重构: 挑战和观察的三级系统回顾
OAAI
OAAI分享收藏Nuanced Code Clone Detection Through LLM-Based Code Revision and AST Graph Modeling基于LLM的代码修订和AST图建模的细微代码克隆检测.png)
IEEE Access
IEEE AccessIF0
PREAI
分享收藏Optimizing Pre-Trained Code Embeddings With Triplet Loss for Code Smell DetectionIEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏A Systematic Literature Review on Bad Smells-5 W's: Which, When, What, Who, Where关于难闻气味的系统文献综述-5 w: 哪个，何时，什么，谁，在哪里
PREAI
分享收藏
查看更多内容