Framework di Apprendimento Attivo Neurale Mutualistico per l'Identificazione Automatica delle Segnalazioni di Bug
È stato lanciato un nuovo framework denominato Mutualistic Neural Active Learning (MNAL) per semplificare l'identificazione delle segnalazioni di bug dai repository GitHub attraverso la collaborazione tra umani e macchine. Questo sistema affronta le difficoltà derivanti dalla crescente complessità e dal numero elevato di segnalazioni di bug, che spesso comportano un'elaborazione manuale laboriosa e ad alta intensità di risorse. MNAL integra un modello di linguaggio neurale che apprende e generalizza le segnalazioni tra vari progetti con strategie di apprendimento attivo. Questa sinergia favorisce una partnership vantaggiosa tra i modelli di apprendimento automatico (il modello di linguaggio neurale) e gli annotatori umani (gli sviluppatori) per arricchire la base di conoscenza. Il framework mira a rafforzare la manutenzione della qualità del software identificando in modo efficiente le segnalazioni di bug e indirizzandole ai team di risoluzione appropriati. La ricerca è stata condivisa su arXiv con l'identificatore arXiv:2604.18862v1, classificata come annuncio trasversale.
Fatti principali
- Mutualistic Neural Active Learning (MNAL) è un framework trasversale ai progetti per l'identificazione automatica delle segnalazioni di bug
- Il sistema affronta le sfide derivanti dalla crescente complessità e volume delle segnalazioni di bug
- MNAL utilizza la collaborazione uomo-macchina per aumentare l'efficacia dell'identificazione
- Il framework combina modelli di linguaggio neurale con tecniche di apprendimento attivo
- I modelli di linguaggio neurale apprendono e generalizzano le segnalazioni tra diversi progetti
- L'apprendimento attivo forma l'apprendimento attivo neurale all'interno del sistema
- MNAL crea relazioni mutualistiche tra i modelli di apprendimento automatico e gli annotatori umani
- La ricerca è stata annunciata su arXiv con l'identificatore arXiv:2604.18862v1
Entità
Istituzioni
- GitHub
- arXiv