新的预训练方法提高了代码表示模型的鲁棒性

研究人员推出了一种名为不变预训练（Invariant Pretraining, InvPT）的新方法，以增强基于编码器的代码表示模型的鲁棒性。这些模型常用于代码克隆检测和代码分类等任务，但在面对语法形式不同但语义等价的代码时，其性能往往会下降。InvPT 通过采用一种仅代码的持续预训练策略来解决这一问题，该策略结合了掩码语言建模和多正例监督对比学习。这种方法将同一函数的所有语法变体视为正例，在特定任务上将鲁棒性提高了多达 19 个百分点，同时保持或提高了标准准确性。 AI

影响 增强了代码分析工具的可靠性，可能提高开发人员的生产力和代码安全性。

排序理由 该集群包含一篇研究论文，详细介绍了一种改进代码表示的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CatalyzeX Code Finder for Papers
• CORE Recommender
• DagsHub
• Gotit.pub
• Hugging Face
• IArxiv Recommender
• Influence Flower
• Invariant Pretraining for Robust Code Representations
• InvPT
• ScienceCast

• 论文
• 模型发布

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