Programming Languages
Artificial Intelligence
機器學習模型所產生的 TypeScript 類型是否能通過型別檢查？
Author
Venue
2023年歐洲物件導向程式設計會議（ECOOP）
Abstract
類型遷移是指為無類型代碼添加類型，以在編譯時獲得保證的過程。TypeScript 及其他漸進式類型系統透過允許程式設計師從不精確的類型開始，並逐步強化它們，從而促進類型遷移。然而，添加類型是一項手動工作，據報導，針對大型產業程式碼庫的數次遷移甚至耗時數年。在研究界，利用機器學習來自動化 TypeScript 類型遷移已引起廣泛關注。 現有的機器學習模型在預測個別 TypeScript 類型註解方面，報告了極高的準確度。然而，本文主張準確度可能具有誤導性，我們應著眼於不同的問題：自動類型遷移工具能否產生通過 TypeScript 類型檢查器的程式碼？我們提出 TypeWeaver，這是一款可與任意類型預測模型配合使用的 TypeScript 類型遷移工具。 我們使用文獻中的三種模型對 TypeWeaver 進行評估：DeepTyper（一種循環神經網路）；LambdaNet（一種圖神經網路）；以及 InCoder（一種支援「填入中間」任務的通用多語言變換器）。我們的工具自動化了使用類型預測模型所需的幾個步驟：(1) 為專案的依賴項導入類型；(2) 將 JavaScript 模組轉換為 TypeScript 語法； (3) 將預測的類型註解插入程式中，以在需要時產生 TypeScript 程式碼；以及 (4) 在必要時拒絕非類型預測。我們在包含 513 個 JavaScript 套件的資料集上對 TypeWeaver 進行評估，其中包含從未被賦予類型的套件。使用最佳的類型預測模型時，我們發現僅有 21% 的套件通過類型檢查，但更令人鼓舞的是，69% 的檔案成功通過類型檢查。
