Gépi tanulás a szoftverfejlesztésben kutatócsoport

2025.09.21.

Bemutatkozás

Fő tevékenységünk a gépi tanulás, azon belül is főleg a mélytanulás alkalmazása a szoftverfejlesztés feladataira: megtanítani a számítógépeket programkód megértésére, írására, és javítására. A forráskódok bizonyos mértékben és tulajdonságaikban hasonlítanak a természetes nyelvekhez, így alkalmazhatóak rájuk a természetes nyelvek gépi feldolgozásában használt módszerek, mint például a nagy nyelvi modellek.

Kutatási területek

▶ Programkód transzformációk

▶ Kód idiomatizálása

➥ *Python programok idiomatizálása.* A fenti Python program egy hagyományos ciklussal számlálja meg a pozitív értékeket, a javított verzió egy listakifejezéssel idiomatikusabb megközelítést alkalmaz. Az általunk alkotott kétkomponensű módszer mély tanuláson alapuló architektúrákkal oldja meg az idiomatizálás feladatát.

Kapcsolódó publikációk:
☞ Szalontai et al., 2024
☞ Localizing and Idiomatizing Nonidiomatic Python Code with Deep Learning

▶ Programhibák automatikus javítása

Kapcsolódó publikációk:
☞ Szalontai et al., 2024

▶ Neurális kódvisszafejtés

➥ *Többkomponensű kódvisszafejtő modell.* Egy szekvencia-szekvencia modell megkapja a szöveges bemenetet (bal oldal), majd szavanként alakítja át az elvárt kimeneti formátumra (középen). Az architektúra figyelem mechanizmus segítségével tudja javítani a visszaadott szöveg minőségét, illetve a másoló mechanizmus segítségével képes szószekvenciákat átemelni a bemenetből a kimenetbe.

Kapcsolódó publikációk:
☞ Single-pass end-to-end neural decompilation using copying mechanism

▶ Követelményelemzés

Módszertan

rekurrens neurális hálók
transzformerek
nagy nyelvi modellek
másoló mechanizmus

Kutatócsoport tagjai

Pintér Balázs, adjunktus (kutatócsoport-vezető, MTMT, Tud-O-Méter)
Gregorics Tibor, docens
Szalontai Balázs doktori hallgató
Szalay Gergő doktori hallgató
Silva Matti doktori hallgató
15-20 MSc és BSc hallgató

Öt fontos publikáció

G. Szalay, M. B. Poór, B. Pintér, T. Gregorics (2024): Single-pass end-to-end neural decompilation using copying mechanism, Neural Computing and Applications [DOI]
B. Szalontai, A. Vadász, T. Márton, B. Pintér, T. Gregorics (2024): Fine-tuning CodeLlama to fix bugs, Proceedings of International Conference on Recent Innovations in Computing [DOI]
B. Szalontai, T. Márton, Á. Kukucska, B. Pintér, T. Gregorics (2024): Idiomatizing Python source code using different recurrent architectures, Intelligent Systems and Applications [DOI]
B. Szalontai, Á. Kukucska, A. Vadász, B. Pintér, T. Gregorics (2023): Localizing and idiomatizing nonidiomatic Python code with deep learning, Intelligent Computing [DOI]
B. Mucsányi, B. Gyarmathy, Á. Czapp, B. Pintér (2022): Flexible example-based program synthesis on tree-structured function compositions, SN Computer Science [DOI]

Elérhetőség

Pintér Balázs [pinter@inf.elte.hu]