抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
最近,Pythonのような動的型言語は前例のない人気を得ている。これらの言語は強制的型アノテーションの必要性を軽減するが,タイプはプログラム理解と実行時間誤差の防止に重要な役割を担っている。魅力的オプションは,書込みタイプなしで静的保証を得るために自動的にタイプを推論することである。既存の推論技術は,主に直接型推論のためのPyタイプのような静的タイピングツールに依存する。最近,神経型推論が提案されている。しかし,神経型推論はデータハンガリーであり,静的タイピングに基づくラベル付きデータの収集に依存する。しかし,そのようなツールはユーザ定義型を推論するのに乏しい。さらに,これらの言語における開発者によるタイプアノテーションは極めてまばらである。本研究では,1)情報検索技術を用いて高品質タイプを生成する新しい技術を提案する。これらの結果は,これらの技術がより正確で,静的ツールの弱点に対処し,機械学習法によるタイプ推論のための大きなラベル付きデータセットを生成するのに有用であることを示した。F1スコアは,0.06の静的タイピングツールと比較して,著者らの技術に対して0.52~0.58であり,700以上のモジュールに対して37000以上のタイプを生成するためにそれらを使用した。【JST・京大機械翻訳】