关于训练数据优化在基于大语言模型的代码生成中的有效性：一项实证研究

《ACM Transactions on Software Engineering and Methodology》：On the Effectiveness of Training Data Optimization for LLM-based Code Generation: An Empirical Study

　　

摘要AI 摘要

查看此AI生成的摘要，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

大语言模型（LLMs）在代码生成方面取得了显著进展，这主要得益于高质量代码数据集的有效利用来支持训练。为了进一步提升数据质量，研究者提出了众多训练数据优化技术；然而，这些技术的整体有效性尚未得到系统评估。为弥补这一空白，我们首次开展了一项大规模实证研究，考察了五种广泛使用的训练数据优化技术及其两两组合在基于大语言模型的代码生成中的效果，涵盖三个基准测试和四个大语言模型。我们的结果表明，数据合成是提高功能正确性和减少代码缺陷最有效的技术，尽管在代码可维护性方面相比数据重构、清理和选择表现较差。在组合方面，我们发现大多数组合并未进一步改善功能正确性，但能有效提升代码质量（代码缺陷和可维护性）。在所有组合中，数据合成与数据重构相结合的整体性能最强。此外，我们的细粒度分析进一步验证了这些发现，并提供了更深入的见解，揭示了各项技术及其组合如何影响代码生成效果。总体而言，本工作代表了对训练数据优化及组合策略进行系统性理解的第一步，为未来基于大语言模型的代码生成的研究和部署提供了实用指导。

AI 摘要

AI 生成摘要（实验性）

此摘要由自动化工具生成，未经文章作者撰写或审核。我们提供此摘要旨在支持发现，帮助读者评估相关性，并协助相邻研究领域的读者理解该工作。它意在补充作者提供的摘要，后者仍是论文的权威概述。完整文章仍为权威记录版本。点击此处了解更多。

点击此处对此摘要的准确性、清晰度和实用性发表评论。这将有助于改进和未来版本的重新生成。

查看此AI生成的简明摘要，您必须拥有高级访问权限。