عينة الإصلاح: التعلم لإنشاء إصلاحات وظيفية متنوعة

الإصلاح التلقائي للبرامج يحمل إمكانية تحسين الإنتاجية بدرجة كبيرة للمبرمجين خلال عملية تطوير البرمجيات وتحسين صحة البرمجيات بشكل عام. لقد أعادت التقدمات الحديثة في تعلم الآلة، والتعلم العميق، ومعالجة اللغة الطبيعية (NLP) إحياء الأمل في تحقيق الإصلاح التلقائي الكامل للبرامج في النهاية. ومع ذلك، فإن الطرق السابقة التي تستهدف التنبؤ بإصلاح واحد محدد عرضة للفشل بسبب عدم اليقين حول نوايا المبرمج الحقيقية. لذلك، نقترح نموذجًا جامعًا يتعلم توزيعًا على الإصلاحات المحتملة. يتم صياغة نموذجنا كمُشفِّر ذاتي شرطي عميق يمكنه أخذ عينات من الإصلاحات بكفاءة لبرنامج معيب معين. من أجل ضمان حلول متنوعة، نقترح مُنظِّمًا جديدًا يشجع التنوع عبر فضاء تمثيل دلالي (semantic embedding space). تقييماتنا للأخطاء البرمجية الشائعة أظهرت لأول مرة إنشاء إصلاحات متنوعة وتحسن قوي على الطرق الرائدة حاليًا من خلال تصحيح ما يصل إلى 45% من البرامج المعيبة. كما أظهرنا أن对于我们修复的65%的程序，我们的方法能够生成具有不同功能的多个程序。（对于65%的已修复程序，我们的方法能够生成具有多种功能的多个程序。[我们建议将此句翻译为阿拉伯语时稍作调整以提高流畅度]）为了提高流畅度，最后一句话可以调整为：كما أظهرنا أن طريقة اقتراحنا تمكنت من إنشاء برامج متعددة ذات وظائف مختلفة لنسبة 65% من البرامج المعيبة التي تم إصلاحها.