본 논문은 소프트웨어 공학을 위한 심층 학습(DL4SE)에서 인과적 해석성을 달성하는 것을 다룹니다. 신경망 코드 모델(NCM)은 소프트웨어 작업 자동화에서 강력한 성능을 보이지만, 입력과 출력 간의 인과 관계에 대한 투명성이 부족하여 그 기능을 완전히 이해하는 데 한계가 있습니다. NCM에 대한 신뢰를 구축하기 위해 연구자와 실무자는 코드 예측을 설명해야 합니다. 상관 관계를 식별하는 연관 해석성은 개입 및 변경 분석이 필요한 작업에는 종종 불충분합니다. 이를 해결하기 위해 본 논문은 NCM을 위한 새로운 사후 해석성 방법인 DoCode를 소개합니다. DoCode는 인과 추론을 사용하여 모델 예측에 대한 프로그래밍 언어 중심의 설명을 제공합니다. 구조적 인과 모델(SCM)을 사용하여 인과적 문제를 모델링하고, 인과적 추정량을 식별하고, 평균 처리 효과(ATE)와 같은 지표를 사용하여 효과를 추정하고, 효과 추정을 반박하는 4단계 파이프라인을 따릅니다. 해당 프레임워크는 확장 가능하며, 프로그래밍 언어 속성에 설명을 근거하여 허위 상관 관계를 줄이는 예시가 포함되어 있습니다. 해석성 시나리오와 다양한 심층 학습 아키텍처를 통한 심층 코드 생성에 대한 사례 연구는 DoCode의 이점을 보여줍니다. 결과는 NCM의 코드 구문 변경에 대한 민감성과 혼란 변수를 최소화하면서 특정 프로그래밍 개념을 학습하는 능력을 보여줍니다. 본 논문은 또한 추적성을 위한 COMET 및 TraceXplainer와 같은 도구를 사용하여 소프트웨어 정보의 인과적 특성을 분석하여 연관 해석성을 기반으로 조사합니다. 코드 혼란 변수를 식별해야 할 필요성을 강조하고 NCM에 인과적 해석성을 적용하기 위한 실용적인 지침을 제공하여 소프트웨어 공학에서 더 신뢰할 수 있는 AI에 기여합니다.
