論文の概要: Practical Program Repair via Preference-based Ensemble Strategy
- arxiv url: http://arxiv.org/abs/2309.08211v1
- Date: Fri, 15 Sep 2023 07:23:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 07:42:07.705409
- Title: Practical Program Repair via Preference-based Ensemble Strategy
- Title(参考訳): 選好型アンサンブル戦略による実践的プログラム修復
- Authors: Wenkang Zhong, Chuanyi Li, Kui Liu, Tongtong Xu, Tegawend\'e F.
Bissyand\'e, Jidong Ge, Bin Luo, Vincent Ng
- Abstract要約: 本稿では、異なるバグを修復するためのAPRツールのランク付けを行うためのPreference-based Ensemble Program repair framework(P-EPR)を提案する。
P-EPRは、修復パターンを利用した最初の非学習ベースのAPRアンサンブル法である。
実験の結果,P-EPRは柔軟性と有効性の両方において既存の戦略よりも優れていた。
- 参考スコア(独自算出の注目度): 28.176710503313895
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To date, over 40 Automated Program Repair (APR) tools have been designed with
varying bug-fixing strategies, which have been demonstrated to have
complementary performance in terms of being effective for different bug
classes. Intuitively, it should be feasible to improve the overall bug-fixing
performance of APR via assembling existing tools. Unfortunately, simply
invoking all available APR tools for a given bug can result in unacceptable
costs on APR execution as well as on patch validation (via expensive testing).
Therefore, while assembling existing tools is appealing, it requires an
efficient strategy to reconcile the need to fix more bugs and the requirements
for practicality. In light of this problem, we propose a Preference-based
Ensemble Program Repair framework (P-EPR), which seeks to effectively rank APR
tools for repairing different bugs. P-EPR is the first non-learning-based APR
ensemble method that is novel in its exploitation of repair patterns as a major
source of knowledge for ranking APR tools and its reliance on a dynamic update
strategy that enables it to immediately exploit and benefit from newly derived
repair results. Experimental results show that P-EPR outperforms existing
strategies significantly both in flexibility and effectiveness.
- Abstract(参考訳): 現在までに40以上の自動プログラム修正(APR)ツールが様々なバグ修正戦略で設計されており、異なるバグクラスに有効であることが実証されている。
直感的には、既存のツールを組み立てることで、APRの全体的なバグ修正性能を改善することができるはずです。
残念ながら、あるバグに対して利用可能なすべてのAPRツールを呼び出すだけでは、(高価なテストを通じて)APRの実行だけでなくパッチ検証にも許容できないコストがかかります。
したがって、既存のツールを組み立てることが魅力的である一方で、より多くのバグや実用性の要件を修正する必要がある。
この問題を踏まえて,異なるバグを修復するためのAPRツールを効果的にランク付けするPreference-based Ensemble Program repair framework (P-EPR)を提案する。
P-EPRは、APRツールのランキング付けにおける主要な知識源としての修復パターンの活用と、新しく派生した修復結果の即時活用と恩恵を可能にする動的更新戦略への依存において、最初の非学習ベースのAPRアンサンブル手法である。
実験の結果,P-EPRは柔軟性と有効性の両方において既存の戦略よりも優れていた。
関連論文リスト
- PYRA: Parallel Yielding Re-Activation for Training-Inference Efficient Task Adaptation [61.57833648734164]
本稿では,PYRA(Parallel Yielding Re-Activation)手法を提案する。
PYRAは低圧縮率と高圧縮率の両方で競合する全ての手法より優れている。
論文 参考訳(メタデータ) (2024-03-14T09:06:49Z) - Learning to Use Tools via Cooperative and Interactive Agents [61.662788490607475]
ツール学習は、大きな言語モデル(LLM)をエージェントとして、その能力を拡張するために外部ツールを使用する権限を与える。
既存の手法では、1つのLCMベースのエージェントを使用してツールを反復的に選択し実行し、その結果を次のアクション予測に組み込む。
本研究では,協調型対話型エージェントフレームワークであるConAgentsを提案し,ツール学習のワークフローをグラウンディング,実行,監視エージェントにモジュール化する。
論文 参考訳(メタデータ) (2024-03-05T15:08:16Z) - Learning Fair Ranking Policies via Differentiable Optimization of
Ordered Weighted Averages [55.04219793298687]
本稿では,学習からランクへの学習ループに,効率よく解ける公正ランキングモデルを組み込む方法について述べる。
特に,本論文は,OWA目標の制約された最適化を通じてバックプロパゲーションを行う方法を示す最初のものである。
論文 参考訳(メタデータ) (2024-02-07T20:53:53Z) - Invariant-based Program Repair [1.7767466724342067]
本稿では,プログラム不変量の概念に基づく汎用型自動プログラム修復(APR)フレームワークについて述べる。
本稿では,APRにおける不変量を利用したパフォーマンスバグの修復システムを構築することにより,APRにおける不変量を活用することの有用性を実証する。
論文 参考訳(メタデータ) (2023-12-27T17:46:19Z) - Enhancing Redundancy-based Automated Program Repair by Fine-grained
Pattern Mining [18.3896381051331]
本稿では,効果的なパッチ生成を導くための2段階のパターンマイニングプロセスを含むRepattという新しい修復手法を提案する。
我々は広く使われているDefects4Jベンチマークの実験を行い、Repattを8つの最先端のAPRアプローチと比較した。
論文 参考訳(メタデータ) (2023-12-26T08:42:32Z) - User-Centric Deployment of Automated Program Repair at Bloomberg [13.994851524965016]
本稿では,ソフトウェア技術者に最適な時間,目標,自動生成パッチを提案する。
私たちはGitHubのSuggested Changesインターフェースを使用して、自動提案をプルリクエストにシームレスに統合しています。
ユーザ調査からB-Assistの有効性は明らかであり,パッチ提案の受け入れ率は74.56%である。
論文 参考訳(メタデータ) (2023-11-17T13:39:48Z) - RAP-Gen: Retrieval-Augmented Patch Generation with CodeT5 for Automatic
Program Repair [75.40584530380589]
新たな検索型パッチ生成フレームワーク(RAP-Gen)を提案する。
RAP-Gen 以前のバグ修正ペアのリストから取得した関連する修正パターンを明示的に活用する。
RAP-GenをJavaScriptのTFixベンチマークとJavaのCode RefinementとDefects4Jベンチマークの2つのプログラミング言語で評価する。
論文 参考訳(メタデータ) (2023-09-12T08:52:56Z) - Better Practices for Domain Adaptation [62.70267990659201]
ドメイン適応(DA)は、ラベルを使わずに、モデルを配置データに適用するためのフレームワークを提供することを目的としている。
DAの明確な検証プロトコルは、文献の悪い実践につながっている。
ドメイン適応手法の3つの分野にまたがる課題を示す。
論文 参考訳(メタデータ) (2023-09-07T17:44:18Z) - Revisiting the Plastic Surgery Hypothesis via Large Language Models [9.904030364454563]
本稿では,大規模言語モデルを直接利用するFitRepairと,ドメイン固有の2つの微調整戦略と,より強力なAPR戦略とを組み合わせたFitRepairを提案する。
広く研究されているDefects4j 1.2と2.0データセットに関する実験は、FitRepairが89と44のバグを修正したことを示している。
論文 参考訳(メタデータ) (2023-03-18T20:33:46Z) - Improving Automated Program Repair with Domain Adaptation [0.0]
自動プログラム修復(APR)は、ソースコードのバグ/欠陥を修正するプロセスとして、自動化ツールによって定義される。
APRツールは最近、最先端のニューラルネットワーク処理(NLP)技術を活用することで、有望な結果を経験している。
論文 参考訳(メタデータ) (2022-12-21T23:52:09Z) - Optimizing Two-way Partial AUC with an End-to-end Framework [154.47590401735323]
ROC曲線のエリア(AUC)は、機械学習にとって重要な指標である。
最近の研究は、TPAUCが既存のPartial AUCメトリクスと本質的に矛盾していることを示している。
本論文では,この新指標を最適化するための最初の試行について述べる。
論文 参考訳(メタデータ) (2022-06-23T12:21:30Z)
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。