调试功能：通过贝叶斯先验的差异测试来纠正大语言模型（LLM）生成的翻译错误

《ACM Transactions on Software Engineering and Methodology》：Debugging Functionality-Twisting Translations by LLMs via Differential Testing with Bayesian Prior

　　

摘要 AI摘要

要查看此由AI生成的摘要，您需要具备高级访问权限。

了解更多 登录

摘要

摘要

代码翻译作为一个具有挑战性和基础性的任务，越来越依赖于大型语言模型（LLMs）。然而，LLMs经常给出看似合理但实际上错误的翻译，这会误导甚至欺骗调试开发者。我们提出了tHinter，这是一种自动化方法，它将翻译错误的定位视为一项差异测试任务。通过模糊测试和一种新颖的贝叶斯启发式算法（该算法将开发者的一些启发式方法集成到SBFL中），tHinter能够彻底揭示翻译错误，并有效定位那些扭曲功能的错误。我们在Python到C++的场景中评估了tHinter的性能，这是一个将高级逻辑迁移到对性能要求严格的系统中的典型且具有挑战性的任务。实验表明，tHinter在定位翻译错误方面取得了最高的F1分数，超越了所有基线方法。当人类协助调试LLM翻译的代码时，它平均减少了开发者需要审查的代码行数71%。此外，我们提供了超出传统故障定位指标的全面评估参考。我们结合了混合因子用户研究、专家验证以及基于SWOT的战略分析来评估在快速发展的LLM环境中的感知有用性和韧性，为AI增强软件工程领域的研究人员提供了一个方法论上严谨的示例。

AI摘要

AI生成摘要（实验性）

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现内容的相关性，并协助来自相关研究领域的读者理解文章内容。它旨在补充作者提供的摘要，后者仍然是文章的官方总结。完整文章是权威版本。点击此处了解更多。

点击这里对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由AI生成的简体语言摘要，您需要具备高级访问权限。