論文の概要: Improving Spectrum-Based Localization of Multiple Faults by Iterative Test Suite Reduction

• arxiv url: http://arxiv.org/abs/2306.09892v1
• Date: Fri, 16 Jun 2023 15:00:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 19:37:52.381506
• Title: Improving Spectrum-Based Localization of Multiple Faults by Iterative Test Suite Reduction
• Title（参考訳）: 繰り返しテストスイート削減による多重断層のスペクトルに基づく局所化の改善
• Authors: Dylan Callaghan, Bernd Fischer
• Abstract要約: 本稿では,複数の断層が存在する場合の基準距離の局所化を改善する新しいSBFL拡張であるFLITSRを提案する。 3つのスペクトルタイプすべてに対して、最高のベースメトリックよりも30%-90%の、異なる断層レベルで平均的な無駄な労力が大幅に削減される。 メソッドレベルの実障害に対しては、FLITSRは、最先端の学習ベースの障害ローカライザであるGRACEを著しく上回っている。
• 参考スコア（独自算出の注目度）: 0.30458514384586394
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spectrum-based fault localization (SBFL) works well for single-fault programs but its accuracy decays for increasing fault numbers. We present FLITSR (Fault Localization by Iterative Test Suite Reduction), a novel SBFL extension that improves the localization of a given base metric specifically in the presence of multiple faults. FLITSR iteratively selects reduced versions of the test suite that better localize the individual faults in the system. This allows it to identify and re-rank faults ranked too low by the base metric because they were masked by other program elements. We evaluated FLITSR over method-level spectra from an existing large synthetic dataset comprising 75000 variants of 15 open-source projects with up to 32 injected faults, as well as method-level and statement-level spectra from a new dataset with 326 true multi-fault versions from the Defects4J benchmark set containing up to 14 real faults. For all three spectrum types we consistently see substantial reductions of the average wasted efforts at different fault levels, of 30%-90% over the best base metric, and generally similarly large increases in precision and recall, albeit with larger variance across the underlying projects. For the method-level real faults, FLITSR also substantially outperforms GRACE, a state-of-the-art learning-based fault localizer.
• Abstract（参考訳）: spectrum-based fault localization (sbfl) は単相プログラムではうまく機能するが、その精度は故障数を増やすために低下する。 本稿では,複数の断層が存在する場合に,与えられた基準値の局所化を改善する新しいSBFL拡張であるFLITSR(Fault Localization by Iterative Test Suite Reduction)を提案する。 FLITSRは、システム内の個々の障害をよりよくローカライズする、テストスイートの縮小バージョンを反復的に選択する。 これにより、他のプログラム要素によって隠されたため、ベースメトリックでランクが低すぎる障害を特定し、ランク付けすることができる。 提案手法は,最大32の障害を含む15のオープンソースプロジェクトの75,000の変種と,最大14の障害を含むDefects4Jベンチマークセットから326の真のマルチフォールトバージョンを持つ新しいデータセットからのメソッドレベルおよびステートメントレベルスペクトルからなる,既存の大規模合成データセットのFLITSRを用いて評価した。 すべての3つのスペクトルタイプに対して、異なる断層レベルにおける平均的な無駄な労力の大幅な削減、最高のベースメータの30%-90%の削減、そして一般的には、基礎となるプロジェクト間で大きなばらつきがあるにもかかわらず、精度とリコールの大幅な増加が見られる。 メソッドレベルの実障害に対しては、FLITSRは、最先端の学習ベースの障害ローカライザであるGRACEを著しく上回っている。

関連論文リスト

• Software Fault Localization Based on Multi-objective Feature Fusion and Deep Learning [1.6724380665811045]
  ソフトウェアのフォールトローカライゼーションは、機能の多様性が制限され、従来の手法の精度が低いため、依然として困難である。 本稿では,多目的最適化を深層学習モデルに統合し,フォールトローカライゼーション(FL)の精度と効率を両立させる手法を提案する。
  論文  参考訳（メタデータ） (2024-11-26T04:37:32Z)
• Enhancing Fault Localization Through Ordered Code Analysis with LLM Agents and Self-Reflection [8.22737389683156]
  大規模言語モデル(LLM)は、コード理解と推論を強化することによって、フォールトローカライゼーションの有望な改善を提供する。 LLM4FL は,SBFL ランキングと配当戦略を統合した新しい LLM4FL の故障局所化手法である。 以上の結果から,LLM4FLはTop-1の精度でAutoFLを19.27%上回り,DeepFLやGraceといった最先端の監視技術を上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-09-20T16:47:34Z)
• What's Wrong with Your Code Generated by Large Language Models? An Extensive Study [80.18342600996601]
  大規模言語モデル(LLM)は、標準解に比べて短いがより複雑なコードを生成する。 3つのカテゴリと12のサブカテゴリを含む誤ったコードに対するバグの分類を開発し、一般的なバグタイプに対する根本原因を分析する。 そこで本研究では,LLMがバグタイプやコンパイラフィードバックに基づいて生成したコードを批判し,修正することのできる,自己批判を導入した新たな学習自由反復手法を提案する。
  論文  参考訳（メタデータ） (2024-07-08T17:27:17Z)
• Leveraging Stack Traces for Spectrum-based Fault Localization in the Absence of Failing Tests [44.13331329339185]
  我々は,スタックトレースデータをテストカバレッジと統合し,障害局所化を強化する新しいアプローチであるSBESTを導入する。 提案手法では,平均精度(MAP)が32.22%向上し,平均相互ランク(MRR)が17.43%向上した。
  論文  参考訳（メタデータ） (2024-05-01T15:15:52Z)
• EBFT: Effective and Block-Wise Fine-Tuning for Sparse LLMs [68.41135269685576]
  スパースLLMを微調整する既存の方法は、しばしば資源集約的な要求と高い再訓練コストに悩まされる。 再構成誤差の最小化に基づくスパルスLLMの微調整のための効率的かつ高速なフレームワークを提案する。 提案手法では, キャリブレーションのための小さなデータセットをサンプリングし, バックプロパゲーションを利用してブロックワイズ復元誤差を反復的に最適化する。
  論文  参考訳（メタデータ） (2024-02-19T09:55:32Z)
• Large Language Models for Test-Free Fault Localization [11.080712737595174]
  テストカバレッジ情報なしでバグの行を特定できる言語モデルに基づくフォールトローカライズ手法を提案する。 5億5000万、60億、160億のパラメータを持つ言語モデルを、手作業でキュレートされた小さなプログラムコーパスで微調整します。 実験により、LLMAOは最先端の機械学習フォールトローカライゼーション(MLFL)ベースラインを2.3%-54.4%改善し、トップ5の結果を14.4%-35.6%改善した。
  論文  参考訳（メタデータ） (2023-10-03T01:26:39Z)
• Debugging Flaky Tests using Spectrum-based Fault Localization [14.609208863749831]
  不安定なテストは、信頼と無駄な計算と人的資源を破壊するため、回帰テストを妨げます。 本稿では、従来のカバレッジベースのSFLの拡張であるSFFL(Spectrum-based Flaky Fault Localization)を紹介する。 48のオープンソースPythonプロジェクトから得られた101の不安定なテストの評価は、SFFLが有効であることを示している。
  論文  参考訳（メタデータ） (2023-05-08T14:40:05Z)
• Rethinking Normalization Methods in Federated Learning [92.25845185724424]
  フェデレートラーニング(FL)は、プライベートデータを明示的に共有しないことでプライバシーリスクを低減できる人気のある分散ラーニングフレームワークである。 我々は、外部共変量シフトが、世界モデルに対する一部のデバイスからの貢献の消滅につながることを示した。
  論文  参考訳（メタデータ） (2022-10-07T01:32:24Z)
• Unbiased Risk Estimators Can Mislead: A Case Study of Learning with Complementary Labels [92.98756432746482]
  我々は,補完ラベルを用いた学習という,弱教師付き問題を研究する。 勾配推定の品質はリスク最小化においてより重要であることを示す。 本稿では,ゼロバイアスと分散の低減を両立させる新しい補助的相補的損失(SCL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-05T04:19:37Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。