paperbot · PL 论文追踪

全部论文 待读 收藏

P2 Generalizability of Code Clone Detection on CodeBERT

CodeBERT 上代码克隆检测的泛化性
ASE Proceedings of the 37th IEEE/ACM International Conference on Automated Software Engineering2022匹配度 4/10 · 该论文研究 CodeBERT 在代码克隆检测上的泛化性，属于 LLM 用于代码任务的评估研究，与用户核心关注的静态分析、浮点/贝叶斯程序分析及 Agentic 程序分析无直接关联，且使用较旧模型而非当前强模型。引用 16 inbox
Tim Sonnekalb, Bernd Gruner, Clemens-Alexander Brust, Patrick Mäder
机器学习与程序语言
crossref: 2026-09-12

AI 速览

一句话：系统考察 CodeBERT 在代码克隆检测上的泛化能力，揭示语义克隆检测仍是未解难题。

本文关注基于 CodeBERT 的代码克隆检测模型是否真正解决了该任务。尽管 CodeBERT 等 Transformer 网络在基准数据集上已取得优异结果，作者指出这并不意味着代码克隆检测已被解决。论文围绕泛化性展开分析，特别强调语义代码克隆的检测仍然具有挑战性。摘要未展开具体实验设置与结果，但核心结论是：现有基准上的高性能可能掩盖模型在更广泛、语义相似而非文本相似的克隆场景中的不足，因此需要更严格的泛化评估来理解 CodeBERT 类模型的真实能力边界。

问题
CodeBERT 等模型在基准数据集上表现突出，但代码克隆检测，尤其是语义代码克隆检测，是否具备泛化能力仍不清楚。
方法
基于摘要，论文以 CodeBERT 为对象考察代码克隆检测的泛化性，并指出语义克隆是主要挑战；具体方法细节未展开。
评估
摘要未提供具体评估细节，但提到已有基准数据集上的优异结果，并强调语义克隆检测仍然困难。
原文摘要（Abstract）

Transformer networks such as CodeBERT already achieve outstanding results for code clone detection in benchmark datasets, so one could assume that this task has already been solved. However, code clone detection is not a trivial task. Semantic code clones, in particular, are challenging to detect.

链接与引用

DOI 原文 · PDF（开放获取） ·

BibTeX 
@inproceedings{paperbot7163,
  title = {Generalizability of Code Clone Detection on CodeBERT},
  author = {Tim Sonnekalb and Bernd Gruner and Clemens-Alexander Brust and Patrick Mäder},
  booktitle = {ASE},
  year = {2022},
  doi = {10.1145/3551349.3561165}
}