PulseAugur
中
实时 10:28:26
English(EN) A Preliminary Study on Explaining Risk of Code Changes using LLM-Based Prediction Models

LLM注意力权重在新研究中解释代码变更风险

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种方法来解释大型语言模型（LLM）对代码变更的风险预测。通过分析基于LLM的Diff Risk Score（DRS）模型内的注意力权重，该方法突出了对风险评估贡献最大的特定代码单元。在代码审查期间向开发人员提供的这些指导，超过一半的时间涵盖了专家标记的导致中断的行，同时只需要审查显著少量的变更代码。 AI

影响 通过使模型预测更具可解释性，增强了AI辅助代码审查流程的信任度和效率。

排序理由 该集群包含一篇学术论文，详细介绍了软件工程中解释LLM预测的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

LLM注意力权重在新研究中解释代码变更风险

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Yalin Liu, Kosay Jabre, Rui Abreu, Zachariah J. Carmichael, Vijayaraghavan Murali, Akshay Patel, Jun Ge, Weiyan Sun, Cong Zhang, Audris Mockus, David Khavari, Peter C. Rigby, Nachiappan Nagappan ·

    A Preliminary Study on Explaining Risk of Code Changes using LLM-Based Prediction Models

    arXiv:2607.02782v1 Announce Type: cross Abstract: Predictions by machine learning (ML) and artificial intelligence (AI) models are often received skeptically unless they are paired with intelligible explanations. In the context of just-in-time defect prediction, highlighting smal…

相关实体

相关话题