paperbot · PL 论文追踪

全部论文 待读 收藏

P2 Scaling Code Pattern Inference with Interactive What-If Analysis

通过交互式 What-If 分析扩展代码模式推断
ICSE Proceedings of the IEEE/ACM 46th International Conference on Software Engineering2024匹配度 4/10 · 论文属于程序分析与代码模式推断，涉及交互式主动学习以控制泛化/特化，与静态分析/程序分析有部分交集；但未涉及 LLM/Agent、浮点程序分析或贝叶斯程序分析等用户核心方向，也不是将静态分析用于 ML/Agent 系统，因此匹配度有限。引用 1 inbox
Hong Jin Kang, Kevin Wang, Miryung Kim
程序分析与抽象解释编程环境与开发者工具
crossref: 2026-09-12

AI 速览

一句话：提出交互式 What-If 分析，让用户以更少标注控制代码模式推断的泛化与特化。

程序员在检测和修复相似缺陷时，常需要搜索相似代码。已有主动学习式代码模式推断方法只接受实例级反馈，即正例和负例方法实例，因此用户难以直接控制所期望代码模式的泛化性与特异性，导致标注负担增加。本文针对这一局限，提出交互式 What-If 分析来扩展代码模式推断：用户可以通过假设分析交互地探索和调整模式推断过程中的泛化与特化行为，从而更高效地获得目标代码模式，并缓解实例级反馈带来的标注开销。论文的核心贡献在于将交互式假设分析引入代码模式推断，以支持用户对模式范围的显式控制。

问题
已有主动学习式代码模式推断仅依赖实例级正负反馈，用户难以控制模式的泛化性与特异性，导致标注负担上升。
方法
提出交互式 What-If 分析，使用户能够通过假设分析交互地调整代码模式推断的泛化与特化过程。
评估
所给摘要未描述具体评估方式；论文应围绕交互式代码模式推断场景考察其降低标注负担或扩展推断规模的效果。
原文摘要（Abstract）

Programmers often have to search for similar code when detecting and fixing similar bugs. Prior active learning approaches take only instance-level feedback, i.e., positive and negative method instances. This limitation leads to increased labeling burden, when users try to control generality and specificity for a desired code pattern.

链接与引用

DOI 原文 · PDF（开放获取） ·

BibTeX 
@inproceedings{paperbot11439,
  title = {Scaling Code Pattern Inference with Interactive What-If Analysis},
  author = {Hong Jin Kang and Kevin Wang and Miryung Kim},
  booktitle = {ICSE},
  year = {2024},
  doi = {10.1145/3597503.3639193}
}