.png){kind=icon}
返回
Parameter-Efficient Fine-Tuning With Attributed Patch Semantic Graph for Automated Patch Correctness Assessment
.png){kind=icon}
PRE
AI
DOI：10.1109/tse.2026.3684016.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自动化程序修复（APR）旨在无需人工干预即可自动修复程序错误，近年来这一研究主题引起了日益增长的兴趣。尽管取得了显著进展，并提出了源自不同学科的多种技术，但APR技术普遍存在补丁过拟合问题，即生成的补丁虽能通过测试但并非真正正确。为缓解此问题，许多研究致力于自动补丁正确性评估（APCA）。特别是随着大型语言模型（LLM）技术的兴起，研究人员已采用LLM来评估补丁正确性并取得了最先进的表现。APCA的相关文献表明，在预测补丁正确性时，捕捉补丁语义和明确考虑某些代码属性至关重要。然而，现有基于LLM的方法通常将代码视为标记序列，忽略了代码固有的形式结构，难以捕捉深层补丁语义。此外，这些方法也未充分明确考虑代码属性。为克服这些缺陷，本文设计了一种新颖的补丁图表示方法，即属性化补丁语义图（APSG），其能够充分捕捉补丁语义并明确反映重要补丁属性。为有效利用APSG中的图信息，我们相应地提出了一种新的参数高效微调（PEFT）LLM方法，命名为Graph-LoRA。我们的方法聚焦于真实世界场景，其中真值补丁不可获取，且无需依赖真值补丁即可运行。通过广泛评估，结果表明相较于最先进方法，我们的方法在准确率和F1分数上分别提升了3.1%至7.5%和3.0%至7.1%。
Keyword:
Program repair
patch overfitting
attributed patch semantic graph
Large language model
期刊
IF:
5.6
论文数:
2.9K
被引数:
1.1W
机构
引用论文
.png){kind=icon}
分享收藏PiSSA: Principal Singular Values and Singular Vectors Adaptation of Large Language ModelsPissa：大型语言模型的主奇异值和奇异向量的自适应
PREAI
分享收藏分享收藏Automated Classification of Overfitting Patches With Statically Extracted Code Features具有静态提取的代码特征的过拟合补丁的自动分类
OAAI
OAAI分享收藏分享收藏
分享收藏
查看更多内容