Hongyu Zhang

Une nouvelle méthode améliore la génération de code en s'appuyant sur le contexte spécifique au projet et les retours du compilateur.

LogSD améliore la détection d'anomalies dans les données de log en se concentrant sur les événements rares.

Explorer les préoccupations autour de l'utilisation du code dans l'entraînement des modèles d'IA.

Le raisonnement contrefactuel améliore la compréhension des vulnérabilités dans le code.

Une nouvelle méthode pour un tatouage efficace dans le code généré par l'IA.

Cette étude examine l'utilisation du langage naturel pour faciliter la visualisation des données.

BARO propose des solutions avancées pour détecter des problèmes dans les systèmes de microservices.

OptLLM aide les utilisateurs à choisir les meilleurs LLMs en fonction des budgets et des tâches.

Une méthode innovante améliore l'efficacité de la correction de bugs en utilisant des correctifs générés par des LLM.

LogBatcher simplifie l'analyse des logs en utilisant de grands modèles de langage sans formation préalable.

Examen des défis et des avancées dans l'analyse des causes profondes pour les microservices.

Les grands modèles de langage améliorent les évaluations de résumé de code avec des évaluations créatives.

Nouveau cadre améliore la détection des patchs de sécurité pour les utilisateurs et les logiciels.

Découvre comment le deep hashing segmenté transforme la récupération de code pour les devs.

Des méthodes avancées changent la façon dont on optimise des recettes complexes.

RCAEval propose des outils pour un meilleur diagnostic des pannes dans les systèmes de microservices.