根据软件工程领域顶级会议ICSE'23公布的论文录用名单，程序设计语言研究室两篇论文《Tare: Type-Aware Neural Program Repair》和《Reliability Assurance for Deep Neural Network Architectures Against Numerical Defects》被该会议录用。

自动修复软件缺陷是提高软件生产率的重要手段。此前自动修复软件缺陷效果最好的方法是本实验室基于新型神经网络架构开发的Recoder方法（发表于ESEC/FSE'21）。但是，该架构仍然存在无法充分利用软件中类型信息的问题。由于类型系统的复杂性，神经网络难以直接学会类型规则，同时由于神经网络的不可解释性，也难以通过其他方式将类型系统编码进入神经网络。《Tare: Type-Aware Neural Program Repair》提出了一种引导神经网络学习类型规则的方法，通过呈现必要的信息，使得神经网络可以在一定程度上学到类型规则。基于该方法，我们构建了新的程序修复方法，显著超越了Recoder和其他现有方法。熊英飞副教授是该论文的通讯作者，熊英飞副教授指导的博士生朱琪豪是该论文第一作者。

通过静态分析查找神经网络体系结构中的缺陷可以避免这些缺陷在训练阶段和推断阶段带来的重大损失。目前在数值缺陷上的代表工作是本实验室在2021年ESEC/FSE会议上提出的DEBAR方法，但该方法仍然存在着误报和漏报问题。《Reliability Assurance for Deep Neural Network Architectures Against Numerical Defects》改进了该方法，不但改善了神经网络体系结构的缺陷查找效果，并且能生成测试验证缺陷并建议修复。实验室熊英飞副教授和博士生任路遥，以及实验室毕业生张煜皓参与了该论文的研究工作。