软件工程领域顶级会议ASE'25近日公布论文录用名单，程序设计语言研究室两篇论文被该会议录用。

论文1

标题： Belief Propagation with Local Structure and Its Applications in Program Analysis.

作者： Yiqian Wu, Yifan Chen, Yingfei Xiong, Xin Zhang.

摘要： 贝叶斯程序分析是一种将传统程序分析中的逻辑推理转换为贝叶斯推理的系统方法，旨在从外部信息中学习以提高准确性。然而，一个关键的挑战在于其可扩展性。虽然最近的研究表明，信念传播（Belief Propagation, BP）算法可以在许多情况下有效执行贝叶斯推理，但BP的性能仍受其消息传递方案中循环的影响。本文提出了一种新颖的信念传播算法，该算法利用程序分析的局部结构。我们的方法基于一个关键洞察：贝叶斯程序分析中的因子图（factor graph）通常是稀疏的。我们利用这种稀疏性来推导一种更有效的消息传递方案。我们在包括别名分析和污点分析在内的各种程序分析任务上评估了我们的方法。结果表明，我们的方法在保持高准确性的同时，显著优于现有的BP算法。

论文2

标题： Automated Repair of Ambiguous Problem Descriptions for LLM-Based Code Generation.

作者： Haoxiang Jia, Robbie Morris, He Ye, Federica Sarro, Sergey Mechtaev.

摘要： 大型语言模型（LLMs）日益增长的使用增加了自然语言（NL）在软件工程中的重要性。然而，自然语言的模糊性可能损害软件质量，因为不清晰的问题描述可能导致不正确的程序生成。检测和解决这种模糊性具有挑战性，这促使我们引入“模糊NL描述的自动修复”，我们通过减少代码生成的不确定性并更好地将NL与输入输出示例对齐来实现这一目标。对于LLMs来说，修复模糊性是困难的，因为它们必须理解当文本被修改时，它们对描述的解释会如何变化。我们发现，直接提示LLMs澄清模糊性通常会产生不相关或不一致的编辑。为了解决这个问题，我们将此任务分解为两个更简单的步骤：（1）使用传统测试和程序修复技术，分析和修复LLM对描述的解释——即它所诱导的程序分布；（2）通过一种我们称之为的方法，基于分布的变化来提炼描述。