【论文标题】DeepDebug: Fixing Python Bugs Using Stack Traces, Backtranslation, and Code Skeletons

【作者团队】Dawn Drain, Colin B. Clement, Guillermo Serrato, Neel Sundaresan

【发表时间】2021/05/19

【机 构】Microsoft Cloud and AI

【论文链接】https://arxiv.org/pdf/2105.09352v1.pdf

【推荐理由】预训练模型实际应用

在软件开发过程中，bug定位和程序修复的联合任务是一个重要组成部分。本文提出了DeepDebug，一种使用大型预训练transformer进行自动debug的方法。本文首先在提交数据上训练一个错误生成模型以生成合成bug。我们将这些合成bug模型应用于两个目的。首先，作者直接在200K仓库的所有函数上训练一个回译模型。接下来，作者专注于可以执行测试的10K仓库，并为这些仓库中所有通过测试的函数创建buggy版本。这些为本文工作提供了丰富的调试信息，如堆栈痕迹和打印语句，其被用来微调我们的预训练模型。最后，我们通过将上下文窗口扩展到有问题的函数本身之外，并按优先顺序排列添加一个由该函数的父类、导入、签名、文件字符串和方法体组成的骨架来加强我们所有的模型。在QuixBugs基准测试中，我们发现的修复总数增加了50%以上，同时也将假阳性率从35%降低到5%，并将超时时间从6小时降低到1分钟。在我们自己的可执行测试基准中，我们的模型在不使用跟踪的情况下，第一次尝试就修复了68%的错误，而在添加跟踪后，第一次尝试就修复了75%的错误。作者将开源他们的框架和验证集，以便在可执行测试中进行评估。

内容中包含的图片若涉及版权问题，请及时与我们联系删除