Параметрична оптимізація формування масиву вхідних даних на основі символьних крос-зв’язків

Анотація

Розглянуто задачу параметричної оптимізації формування масиву вхідних даних (МВД) для атрибуції авторства програмних кодів, зокрема розрізнення кодів, написаних людиною та згенерованих великими мовними моделями. Розвинуто тип мовнонезалежних ознак — символьні крос-зв’язки між словами, що формуються як упорядковані пари суфіксів і префіксів слів у вікні. Завдяки врахуванню всіх пар слів, а не лише сусідніх, ознаки нечутливі до локальних переставлень фрагментів коду. Якість класифікації оцінюється на рівні вікон і на рівні авторів за мажоритарним голосуванням із використанням турніру 39 архітектур моделей машинного навчання. Проведено повнофакторний обчислювальний експеримент зі 168 дослідів для 12 авторів (10 людей і дві генеративні моделі) у чотирьох мовах програмування. Досліджено вплив розміру вікна, межі інформативної достатності, режиму фільтрації та рангу крос-зв’язків на частку правильно класифікованих об’єктів і розмір словника ознак. Установлено, що крос-зв’язки забезпечують приріст у 37 % конфігурацій, найбільший внесок (до +7,56 %) спостерігається для вікна 2000 символів — точки максимального внеску додаткових ознак, але не максимальної абсолютної якості. Парето-оптимальною є конфігурація з вікном 500 символів, межею три та усередненим режимом фільтрації, що досягає 99,37 %, коли розмір словника лише 310 ознак; режим максимуму підвищує якість ціною зростання словника майже у 20 разів. Визначено межі застосовності методу й умови, за яких крос-зв’язки знижують частку правильно класифікованих об’єктів, зокрема внаслідок ефекту стелі. Табл.: 5. Іл.: 4. Бібліогр.: 9 назв.