Sezen, Arda

Profile Picture
Profile URL
https://hdl.handle.net/20.500.14411/6766
Name Variants
A., Sezen
A.,Sezen
Sezen,A.
S.,Arda
S., Arda
Arda Sezen
Sezen,Arda
Sezen, Arda
Arda, Sezen
Job Title
Yardımcı Doçent
Email Address
arda.sezen@atilim.edu.tr
Main Affiliation
Computer Engineering
Status
Website
ORCID ID
0000-0002-7615-3623
Scopus Author ID
Turkish CoHE Profile ID
Google Scholar ID
WoS Researcher ID

Sustainable Development Goals

SDG data is not available
This researcher does not have a Scopus ID.
This researcher does not have a WoS ID.
Scholarly Output

11

Articles

6

Views / Downloads

28/52

Supervised MSc Theses

4

Supervised PhD Theses

1

WoS Citation Count

7

Scopus Citation Count

39

Patents

0

Projects

1

WoS Citations per Publication

0.64

Scopus Citations per Publication

3.55

Open Access Source

5

Supervised Theses

5

JournalCount
International Journal of Computational and Experimental Science and Engineering3
Bilişim Teknolojileri Dergisi1
Evolutionary Intelligence1
IEEE Access1
Current Page: 1 / 1

Scopus Quartile Distribution

Competency Cloud

GCRIS Competency Cloud

Filters

20241
Reset filters

Settings

Author: Shaıkh, Noman AhmedSubject: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol

Scholarly Output Search Results

Now showing 1 - 1 of 1
  • Thumbnail Image
    Master Thesis
    Büyük Dil Modellerini Kullanarak Kod Örneklerinin Analizi ve Hata Ayıklama
    (2024) Shaıkh, Noman Ahmed; Sezen, Arda
    Kod hata ayıklama ve analizi zorlu bir görevdir. Özellikle otomatik olmayan hata yerelleştirme görevi kaynak tüketir ve hatanın kök nedenini belirlemek için önemli bir çaba gerektirir. Bu tezde, büyük dil modellerini kullanarak testsiz, otomatik satır seviyesi hata yerelleştirme incelenmiştir. Çalışmada, çift yönlü dikkat tabanlı mekanizma ve kod-anlama için önceden eğitilmiş büyük dil modelleri kullanıldı. Aynı zamanda büyük dil modellerinde girilen kodun satır seviyesi hatalılık puanlarını çıktı olarak vermesi için adaptör ayarlaması yapılmıştır. Ortaya çıkan model FLICoder olarak adlandırıldı. Farklı ayarlarla birden çok FLICoder modeli eğitildi ve mimarisinin çeşitli yönlerinin genel performans üzerindeki etkisi incelendi. FLICoder modeli ayrıca temel LLM tabanlı hata yerelleştirme çözümü ile karşılaştırılmış olup, FLICoder modelinin %25 - %52 iyileştirme gösterdiği tespit edilmiştir.