Dans cet article, nous présentons DroidCollection , l'ensemble de données ouvert le plus complet pour l'entraînement et l'évaluation de détecteurs de code générés par machine . DroidCollection contient plus d'un million d'échantillons de code, sept langages de programmation, 43 sorties de modèles de codage et au moins trois domaines de codage réels. Outre des échantillons entièrement générés par l'IA, il inclut également du code co-écrit par des humains et l'IA, ainsi que des échantillons antagonistes explicitement conçus pour échapper à la détection. Nous développons ensuite DroidDetect , un ensemble de détecteurs spécifiques aux encodeurs, entraînés sur des objectifs multitâches à l'aide de DroidCollection . Les résultats expérimentaux démontrent que les performances des détecteurs existants ne se généralisent pas au-delà du jeu de données d'entraînement restreint à divers domaines de codage et langages de programmation. De plus, si la plupart des détecteurs peuvent être facilement compromis en humanisant la distribution des sorties à l'aide d'approches superficielles d'incitation et d'alignement, nous démontrons qu'un entraînement avec une petite quantité de données antagonistes peut facilement résoudre ce problème. Enfin, nous démontrons que l’apprentissage métrique et le rééchantillonnage basé sur l’incertitude sont des méthodes efficaces pour améliorer la formation des détecteurs dans des distributions potentiellement bruyantes.
