Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс:
http://hdl.handle.net/11701/32398
Полная запись метаданных
Поле DC | Значение | Язык |
---|---|---|
dc.contributor.advisor | Казьмина Олеся Александровна | ru_RU |
dc.contributor.advisor | Kazmina Olesa Aleksandrovna | en_GB |
dc.contributor.author | Пословская Элеонора Дмитриевна | ru_RU |
dc.contributor.author | Poslovskaa Eleonora Dmitrievna | en_GB |
dc.contributor.editor | Панкратова Ярославна Борисовна | ru_RU |
dc.contributor.editor | Pankratova Aroslavna Borisovna | en_GB |
dc.date.accessioned | 2021-08-07T09:11:32Z | - |
dc.date.available | 2021-08-07T09:11:32Z | - |
dc.date.issued | 2021 | |
dc.identifier.other | 062263 | en_GB |
dc.identifier.uri | http://hdl.handle.net/11701/32398 | - |
dc.description.abstract | Задача автоматизации поиска ошибок в исходном коде программ с ростом технологического прогресса и объема написанного программистами кода становится все более актуальной. В данной работе предпринят подход, позволяющий по исходному коду методов и стека вызовов после падения программы определить метод, содержащий в себе некорректный код. Рассмотрены существующие подходы в этой области, выбраны наиболее полезные и новые подходы к решению близких задач. Предоставленные для работы реальные данные были предоставлены компанией JetBrains и содержат в себе стеки вызовов и репозиторий с кодом IDE IntelliJ IDEA. Они были приведены при помощи предобученной модели code2seq к векторному представлению. Разработана и обучена модель на основе BiLSTM c обучаемыми эмбеддингами вместо пропущенных значений. На основе дополнительных признаков предсказания LSTM были отранжированы, что дало прирост качества к итоговому результату. Модель была оценена и получила хорошие результаты по сравнению с методами конкурентами. | ru_RU |
dc.description.abstract | The task of automating bug localization in the source code of programs becomes more useful everyday. In this work, presents an approach that allows using the source code of the methods and the call stack after the program crash to determine the method containing the incorrect code. The existing methods in this area are considered, the most useful and new approaches to solving similar problems are selected. The real data was provided by JetBrains and contains stacktraces and a repository with the IntelliJ IDEA IDE source code. They were converted to vector representation using a pre-trained code2seq model. A model was developed and trained based on BiLSTM with trainable embeddings instead of missing values. Based on additional features, LSTM predictions were ranked that increased final quality. The model was evaluated and obtained good results compared to competing methods. | en_GB |
dc.language.iso | ru | |
dc.subject | поиск ошибок | ru_RU |
dc.subject | нейронные сети | ru_RU |
dc.subject | глубокое обучение | ru_RU |
dc.subject | ранжирование | ru_RU |
dc.subject | bug localization | en_GB |
dc.subject | fault localization | en_GB |
dc.subject | stacktraces | en_GB |
dc.subject | neural networks | en_GB |
dc.subject | deep learning | en_GB |
dc.subject | ranking | en_GB |
dc.title | Bug localization with DL | en_GB |
dc.title.alternative | Использование сетей глубокого обучения в задаче локализации ошибок в исходном коде | ru_RU |
Располагается в коллекциях: | BACHELOR STUDIES |
Файлы этого ресурса:
Файл | Описание | Размер | Формат | |
---|---|---|---|---|
Diplom_Poslovskaa_E._D..pdf | Article | 783,09 kB | Adobe PDF | Просмотреть/Открыть |
reviewSV_Otzyv_Poslovskaa.pdf | ReviewSV | 108,85 kB | Adobe PDF | Просмотреть/Открыть |
Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.