作者信息：

学院：计算机科学与技术学院

作者：赵宇

论文简介：

软件工程分类任务在提升软件质量方面发挥着至关重要的作用。然而，SE研究人员和实践者往往依赖于单个代码预训练模型（PTM）来执行下游分类任务。以往的研究发现，不同的代码PTM在SE分类任务中表现各异，这引发了我们思考：集成多个代码PTM是否能够提升分类任务的性能？因此，我们首先进行了初步的探索性研究，分析了融合多个PTM对代码分类任务的影响。结果表明，与单个代码PTM相比，融合多个代码PTM可以提升SE分类任务的性能。然而，性能的提升也带来了微调资源增加和应用效率降低的问题，这不符合绿色环保的要求。为了解决这些问题，我们提出了Coding-Fuse框架，用于高效融合多个代码PTM以执行SE分类任务。 Coding-Fuse 首先引入证据理论来评估各层代码 PTM 输出特征和数据标签的适应性，并定位不同代码 PTM 的潜在最佳性能层。然后，Coding-Fuse 使用软投票策略融合这些层的输出，从而获得一个新的模型。我们通过实验验证其有效性，在三个不同的软件工程分类任务和两个任务场景下，使用五种不同的代码 PTM，将 Coding-Fuse 与完整的 PTM 融合方法和原始的单个 PTM 进行比较。结果表明，Coding-Fuse 能够以更高的效率和更少的硬件资源获得比完整 PTM 融合方法更好的性能。

论文链接：

https://conf.researchr.org/track/ase-2025/ase-2025-papers#event-overview

会议：37th International Conference on Automated Software Engineering