Standard

Applying deep learning to C# call sequence synthesis. / Chebykin, Aleksandr Evgen'evich; Kirilenko, Iakov Aleksandrovich.

In: Труды института системного программирования РАН, Vol. 30, No. 3, 2018, p. 63-86.

Research output: Contribution to journal › Article › peer-review

Harvard

Chebykin, AE & Kirilenko, IA 2018, 'Applying deep learning to C# call sequence synthesis', Труды института системного программирования РАН, vol. 30, no. 3, pp. 63-86.

APA

Chebykin, A. E., & Kirilenko, I. A. (2018). Applying deep learning to C# call sequence synthesis. Труды института системного программирования РАН, 30(3), 63-86.

Vancouver

Chebykin AE, Kirilenko IA. Applying deep learning to C# call sequence synthesis. Труды института системного программирования РАН. 2018;30(3):63-86.

Author

Chebykin, Aleksandr Evgen'evich ; Kirilenko, Iakov Aleksandrovich. / Applying deep learning to C# call sequence synthesis. In: Труды института системного программирования РАН. 2018 ; Vol. 30, No. 3. pp. 63-86.

BibTeX

@article{4965bef54356412889ed665c9a06d45e,
title = "Applying deep learning to C# call sequence synthesis",
abstract = "Большая часть стандартных для программирования задач - например, соединение с базой данных, отображение картинки, чтение файла - давно реализована в различных библиотеках и доступна через соответствующие Application Programming Interfaces (APIs). Однако чтобы воспользоваться ими, разработчик должен сначала узнать, что они существуют, а затем - как правильно с ними работать. В настоящее время Интернет кажется наилучшим и самым популярным источником подобной информации. Недавно был предложен другой подход, основанный на глубоком машинном обучении и реализованный в виде инструмента под названием DeepAPI. По описанию желаемой функциональности на английском языке он генерирует цепочку вызовов Java функций. В данной статье мы показываем, как подход может быть перенесен на другой язык программирования (C# вместо Java), на котором доступно меньше открытого кода; мы описываем техники, позволившие достичь результата, близкого к оригинальному, а также техники, которые не улучшили производительность. Наконец, чтобы облегчить будущие исследования в области, мы публикуем наши набор данных, код и обученную модель.КЛЮЧЕВЫЕ СЛОВ",
author = "Chebykin, {Aleksandr Evgen'evich} and Kirilenko, {Iakov Aleksandrovich}",
note = "Chebykin A.E., Kirilenko I.A. Applying Deep Learning to C# Call Sequence Synthesis. Proceedings of the Institute for System Programming of the RAS (Proceedings of ISP RAS). 2018;30(3):63-86. https://doi.org/10.15514/ISPRAS-2018-30(3)-5",
year = "2018",
language = "English",
volume = "30",
pages = "63--86",
journal = "Труды института системного программирования РАН",
issn = "2079-8156",
publisher = "Институт системного программирования им. В.П.Иванникова РАН",
number = "3",

}

RIS

TY - JOUR

T1 - Applying deep learning to C# call sequence synthesis

AU - Chebykin, Aleksandr Evgen'evich

AU - Kirilenko, Iakov Aleksandrovich

N1 - Chebykin A.E., Kirilenko I.A. Applying Deep Learning to C# Call Sequence Synthesis. Proceedings of the Institute for System Programming of the RAS (Proceedings of ISP RAS). 2018;30(3):63-86. https://doi.org/10.15514/ISPRAS-2018-30(3)-5

PY - 2018

Y1 - 2018

N2 - Большая часть стандартных для программирования задач - например, соединение с базой данных, отображение картинки, чтение файла - давно реализована в различных библиотеках и доступна через соответствующие Application Programming Interfaces (APIs). Однако чтобы воспользоваться ими, разработчик должен сначала узнать, что они существуют, а затем - как правильно с ними работать. В настоящее время Интернет кажется наилучшим и самым популярным источником подобной информации. Недавно был предложен другой подход, основанный на глубоком машинном обучении и реализованный в виде инструмента под названием DeepAPI. По описанию желаемой функциональности на английском языке он генерирует цепочку вызовов Java функций. В данной статье мы показываем, как подход может быть перенесен на другой язык программирования (C# вместо Java), на котором доступно меньше открытого кода; мы описываем техники, позволившие достичь результата, близкого к оригинальному, а также техники, которые не улучшили производительность. Наконец, чтобы облегчить будущие исследования в области, мы публикуем наши набор данных, код и обученную модель.КЛЮЧЕВЫЕ СЛОВ

AB - Большая часть стандартных для программирования задач - например, соединение с базой данных, отображение картинки, чтение файла - давно реализована в различных библиотеках и доступна через соответствующие Application Programming Interfaces (APIs). Однако чтобы воспользоваться ими, разработчик должен сначала узнать, что они существуют, а затем - как правильно с ними работать. В настоящее время Интернет кажется наилучшим и самым популярным источником подобной информации. Недавно был предложен другой подход, основанный на глубоком машинном обучении и реализованный в виде инструмента под названием DeepAPI. По описанию желаемой функциональности на английском языке он генерирует цепочку вызовов Java функций. В данной статье мы показываем, как подход может быть перенесен на другой язык программирования (C# вместо Java), на котором доступно меньше открытого кода; мы описываем техники, позволившие достичь результата, близкого к оригинальному, а также техники, которые не улучшили производительность. Наконец, чтобы облегчить будущие исследования в области, мы публикуем наши набор данных, код и обученную модель.КЛЮЧЕВЫЕ СЛОВ

UR - https://ispranproceedings.elpub.ru/jour/article/view/521

M3 - Article

VL - 30

SP - 63

EP - 86

JO - Труды института системного программирования РАН

JF - Труды института системного программирования РАН

SN - 2079-8156

IS - 3

ER -

ID: 36982566