新的HyperFL框架通过查询自适应学习增强软件故障定位

研究人员开发了HyperFL，一个旨在通过将表示学习适应特定查询特征来改进软件故障定位的新框架。与使用固定查询表示的先前方法不同，HyperFL利用一个轻量级的超网络来生成特定于查询的LoRA参数。这使得在保持代码编码器静态和可重用的同时，能够动态适应查询编码器。实验表明，HyperFL在Hit@1方面取得了显著的性能提升，相对于最先进的SweRank方法，提升高达16.7%。 AI

影响 这项研究通过提高识别导致问题的代码位置的准确性，可能带来更高效的自动化调试和程序修复。

排序理由 该集群包含一篇详细介绍软件故障定位新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• LoRA
• ScienceCast
• SweRank

• 论文
• 产品

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