Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

ETF: An Entity Tracing Framework for Hallucination Detection in Code Summaries

Created by
  • Haebom

저자

Kishan Maharaj, Vitobha Munigala, Srikanth G. Tamilselvam, Prince Kumar, Sayandeep Sen, Palani Kodeswaran, Abhijit Mishra, Pushpak Bhattacharyya

개요

본 논문은 대규모 언어 모델(LLM)을 이용한 코드 요약 과정에서 발생하는 환각(hallucination) 문제를 해결하기 위해 새로운 데이터셋 CodeSumEval(~10K samples)과 엔티티 추적 프레임워크(ETF)를 제안한다. CodeSumEval은 코드 요약 환각 검출을 위한 전용 데이터셋이며, ETF는 정적 프로그램 분석을 통해 코드 엔티티를 식별하고, LLM을 이용하여 생성된 코드 요약 내에서 이러한 엔티티와 의도를 매핑하고 검증한다. 실험 결과, ETF는 73%의 F1 점수를 달성하여 코드 요약의 정확성을 평가하고 요약 내 오류를 국한시키는 데 효과적임을 보였다.

시사점, 한계점

•
시사점:
◦
코드 요약에서 환각 문제를 해결하기 위한 새로운 데이터셋과 프레임워크 제시.
◦
정적 프로그램 분석과 LLM을 결합한 독창적인 접근 방식 제안.
◦
높은 F1 점수(73%)를 통해 ETF의 효과를 실험적으로 입증.
◦
코드 요약의 정확성 평가 및 오류 국한화 가능.
•
한계점:
◦
CodeSumEval 데이터셋의 규모(10K samples)가 상대적으로 작을 수 있음.
◦
ETF의 성능이 특정 프로그래밍 언어나 코드 스타일, LLM에 의존적일 가능성.
◦
다양한 종류의 환각을 모두 검출하는 데 한계가 있을 수 있음.
◦
실제 환경에서의 일반화 성능에 대한 추가적인 검증 필요.
👍
Made with Slashpage