اكتشاف متقابل للنسخ عبر النموذج الموحد: أفضل الحلول للتحديات المعاصرة في البرمجة

في عالم البرمجة، يعتبر اكتشاف النسخ (Clone Detection) أحد التحديات الكبيرة، والعوامل المحيطة به أصبحت أكثر تعقيدًا مع تنوع الأنواع المختلفة من النسخ. من النسخ النحوي البسيط إلى النسخ الدلالة العابرة للغات، وصولاً إلى النسخ المولدة بواسطة الذكاء الاصطناعي، تبرز أزمة حادة في الكشف عن النسخ. النماذج الحالية المعتمدة على التعلم العميق غالباً ما تكون مختصة في مجالات معينة، ويؤدي استخدامها خارج نطاق تدريبها إلى انخفاض كبير في الأداء، حيث يمكن أن تصل خسائر الـ F1 إلى أكثر من 70% عند الانتقال بين المجالات.

ولتجاوز هذه التحديات، تم التطرق إلى تقنية دمج النماذج (Model Merging)، التي تعتمد على أساليب متقدمة تعمل فقط على نقاط التفتيش المدربة مسبقًا. هذه الدراسة تأخذ بزمام المبادرة لتقييم تقنيات دمج المعلمات، ودمج المعمارية عن طريق تقنية الطبقات الجشعة، وتحقيق توافق عبر مؤشرات التحليل.

تم تحقيق نتائج مثيرة، حيث يوفر دمج TIES الذي يعتمد على نفس قاعدة النماذج كفاءة مدهشة في اكتشاف النسخ عبر النطاقات، متجاوزًا النتائج التقليدية في العديد من التقييمات. شملت التجارب ثلاثة نماذج ويصل مستوى الأداء إلى 0.865 في الـ F1 باستخدام UniXcoder، محققًا أداءً قريبًا من الأداء متعدد المهام دون الحاجة لأي بيانات تدريب عند خطوة الدمج.

وبالرغم من أن نموذج WUDI حقق أعلى نسبة F1 تصل إلى 0.899 في النطاق المدخل، إلا أن TIES أظهر قدرة أفضل على التعرف على النسخ الجديدة التي تم إنشاؤها عن طريق الذكاء الاصطناعي، مما يجعله الخيار الموصى به. تشير النتائج إلى أن الدمج بين النماذج ليس فقط محاكاة لكن يمكن أن يحدث فرقًا واضحًا في أداء الكشف عن النسخ البرمجية.

في النهاية، توفر هذه الدراسة أحد أول الدراسات النظامية في مجال دمج النماذج للهندسة البرمجية وتقدم وصفة عملية لبناء كاشفات النسخ عبر النطاقات بطريقة مهنية وسلسة.