程序员失业第一步？斯坦福研究员用AI从编译器反馈中学习改Bug( 三 )

程序合成，特别是可以将自然语言描述（例如英语）转换为代码（例如Python ， C ++）的系统是很有用的，因为它们可以帮助更多的人使用编程语言。
在SPoC（伪代码-to-代码）中，任务是从伪代码（程序的自然语言描述）合成C ++代码实现。

本文插图
但是，现有合成器（应用于SPoC的机器翻译模型）遇到的一个挑战是它们倾向于输出不一致的代码，这些代码无法编译，例如，在上图中，变量i在合成代码中被声明了两次。
作者发现可以将程序修复模型应用于此无效代码，并将其修复为正确的代码，从而帮助完成程序合成任务。
在对SPoC的评估中，使用本文的修复模型可使最终合成成功率从现有系统的34％提高到37.6％。
4 总结
在这项工作中，作者研究了如何使用机器学习来修复报错信息中的程序，并提出了三个主要见解：

报错信息对学习程序Bug修复而言至关重要。
程序反馈图（代码和错误消息的共同表示）有助于对修复的原因进行建模（例如，跟踪引起报错的变量）。
自监督学习使人们能够将免费获取的、未标记的程序（例如GitHub开放代码）转换成有用的程序修复训练示例。

这项工作还提供了一个“从反馈中学习”的通用框架，该框架具有各种应用程序：基于注释编辑文档，在交互对话框中向用户学习等。
本文GitHub上源代码/数据链接：
https://github.com/michiyasunaga/DrRepair
最后需要指出的是，本文只是AI从编译器反馈中学习修改代码Bug的一项研究工作，还远远不能用于实际生产环境开发中。
这只是程序员开发AI程序让自己失业的远大理想的第一步~
参考链接：https://ai.stanford.edu/blog/DrRepair/
文末附上两种祖传无Bug的秘法：
秘法1：佛祖保佑~

本文插图
秘法2：神兽保佑~

本文插图

本文插图
【程序员失业第一步？斯坦福研究员用AI从编译器反馈中学习改Bug】