.png){kind=icon}
返回
LLMs Based Data Augmentation Techniques for Python Code Refactoring
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-04190-6_2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
重构是改善代码质量的关键软件工程实践。然而，由于标注数据集的有限可用性，自动检测和预测重构活动仍然是一项具有挑战性的任务。本研究探讨了数据增强技术在提升重构检测模型中的作用。我们应用各种增强策略来扩展训练数据，并评估其对模型性能的影响。我们还讨论了结果数据集的验证与平衡，以提供有意义的用于后续应用机器学习技术处理的数据。研究发现强调了数据多样性在自动化重构检测中的重要性，并为优化软件工程应用中的增强策略提供了见解。实验结果表明，通过缓解过拟合和增强泛化能力，数据增强提高了重构检测模型的鲁棒性和准确性。
Keyword:
Refactoring
Artificial Intelligence
AI in Software Refactoring
Machine Learning
Data Augmentation
期刊
S
IF:
0
论文数:
22
被引数:
0
机构
引用论文
SMOTE for Learning from Imbalanced Data: Progress and Challenges, Marking the 15-year Anniversary《从不平衡数据中学习: 进步与挑战，纪念15周年》
OAAI
OAAI分享收藏Detecting Refactoring Commits in Machine Learning Python Projects: A Machine Learning-Based Approach检测机器学习Python项目中的重构提交: 基于机器学习的方法OAAI
OAAI分享收藏XGBoost.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
OAAI
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏分享收藏
查看更多内容