深度学习(DL)算法在不同的领域有很多应用程序。他们非常有价值的问题,例如,在小知识供专家开发有效的算法,程序必须适应不断变化的环境,或地区大型数据库包含有价值的隐含的规律被发现。幸运的是,软件工程领域(SE)是一个合适的领域,不同的软件开发,测试和维护任务可以陷害,可以解决学习问题的DL算法。

在过去的几年里,深度学习已成为一种有效的方法解决源基于代码智能领域的各种挑战。智能,人工智能(AI)技术(如深度学习)已经被频繁应用于构建智能工具软件构件(例如,源代码,代码提交、需求文档、bug报告,和执行日志)提高软件开发和测试过程。如今,越来越多的需求深度学习和软件工程学的融合来解决问题在软件开发和测试,比如使用源代码自动或半自动的深度学习几个简单的任务,例如代码搜索、代码完成、代码注释,代码味道,一代的提交消息,本地化和修复bug,克隆检测、缺陷预测,方法名,和API模板学习。软件开发库和编程问答网站由数以百万计的用户访问,和各种手工活动的软件开发人员和测试人员可以使用这些存储库的数据自动或半自动。

这个特殊的问题欢迎提交高质量的原创文章,小说和创新理念专注于重要的研究成果和新的视角,探索先进的基于代码SE方法和技术来源,由深度学习的收敛性在不同的软件开发活动,特别关注的科学应用算法,方法,方法和工具的源代码,使有效,安全,和可持续发展的一个复杂的软件系统。这个特殊的问题将为研究人员和专业人士提供一个机会去探索和开发知识和洞察机辅助源基于代码自动化在需求工程和测试生命周期。我们欢迎原始研究和评论文章。

潜在的主题包括但不限于以下:

• 使用深度学习技术和算法源代码测试自动化,测试覆盖率,验证,代码检查,质量保证。
• 代码评审、代码克隆检测代码注释,代码完成、代码搜索、代码味道的预测和识别基于深度代码使用深度学习和不一致性分析
• 新的工具、方法、框架和模型提出了源代码转换和基于代码分析的特征提取
• 使用深度学习的自动化程序修复,软件测试,缺陷检索,修改缺陷,故障定位,故障和缺陷的可预测性,检测软件弱点和bug-specific命名实体识别
• 软件的可追溯性,commit命令链接复苏,需求分类,软件规模估算软件工作评估,软件可靠性模型选择,使用深度学习技术和软件的可维护性
• 深度学习软件的变化,软件存储库,软件社区问答网站
• 调查,实证研究,系统深入学习有关的文学评论来源