論文の概要: Enhancing Redundancy-based Automated Program Repair by Fine-grained
Pattern Mining
- arxiv url: http://arxiv.org/abs/2312.15955v1
- Date: Tue, 26 Dec 2023 08:42:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-27 15:32:51.899581
- Title: Enhancing Redundancy-based Automated Program Repair by Fine-grained
Pattern Mining
- Title(参考訳): 微細パターンマイニングによる冗長性に基づく自動プログラム修復の促進
- Authors: Jiajun Jiang, Zijie Zhao, Zhirui Ye, Bo Wang, Hongyu Zhang, Junjie
Chen
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 18.3896381051331
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Redundancy-based automated program repair (APR), which generates patches by
referencing existing source code, has gained much attention since they are
effective in repairing real-world bugs with good interpretability. However,
since existing approaches either demand the existence of multi-line similar
code or randomly reference existing code, they can only repair a small number
of bugs with many incorrect patches, hindering their wide application in
practice. In this work, we aim to improve the effectiveness of redundancy-based
APR by exploring more effective source code reuse methods for improving the
number of correct patches and reducing incorrect patches. Specifically, we have
proposed a new repair technique named Repatt, which incorporates a two-level
pattern mining process for guiding effective patch generation (i.e., token and
expression levels). We have conducted an extensive experiment on the
widely-used Defects4J benchmark and compared Repatt with eight state-of-the-art
APR approaches. The results show that our approach complements existing
approaches by repairing {15} unique bugs compared with the latest deep
learning-based methods and {19} unique bugs compared with traditional repair
methods when providing the perfect fault localization. In addition, when the
perfect fault localization is unknown in real practice, Repatt significantly
outperforms the baseline approaches by achieving much higher patch precision,
i.e., {83.8\%}. Moreover, we further proposed an effective patch ranking
strategy for combining the strength of Repatt and the baseline methods. The
result shows that it repairs 124 bugs when only considering the Top-1 patches
and improves the best-performing repair method by repairing 39 more bugs. The
results demonstrate the effectiveness of our approach for practical use.
- Abstract(参考訳): 冗長性に基づく自動プログラム修復(APR)は、既存のソースコードを参照することでパッチを生成する。
しかし、既存のアプローチでは、複数行の類似コードが存在するか、既存のコードをランダムに参照する必要があるため、修正できるのは少数のバグだけであり、多くの不正確なパッチがある。
本研究では, 冗長性に基づくAPRの有効性を向上させることを目的として, 正確なパッチ数を改善するために, より効率的なソースコード再利用手法を提案する。
具体的には,効果的なパッチ生成(トークンと表現レベル)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 ベンチマークを広範囲に実験し、repatt を 8 つの最先端 apr アプローチと比較した。
以上の結果から,本手法は,最新の深層学習法と比較し,従来のフォールトローカライゼーションの手法と比較して,{15} 独自のバグと {19} 独自のバグを修復することで,既存のアプローチを補完することを示す。
さらに、完全なフォールトローカライゼーションが実際に行われている場合、Repatt はより高いパッチ精度、すなわち {83.8\%} を達成することでベースラインアプローチを著しく上回る。
さらに,Repattの強度とベースライン法を組み合わせるための効果的なパッチランキング戦略を提案する。
その結果、Top-1パッチのみを考慮すると124のバグを修復し、39のバグを修復することで最も優れた修復方法を改善した。
その結果,本手法の有効性が実証された。
関連論文リスト
- Rethinking Classifier Re-Training in Long-Tailed Recognition: A Simple
Logits Retargeting Approach [102.0769560460338]
我々は,クラスごとのサンプル数に関する事前知識を必要とせず,シンプルなロジットアプローチ(LORT)を開発した。
提案手法は,CIFAR100-LT, ImageNet-LT, iNaturalist 2018など,様々な不均衡データセットの最先端性能を実現する。
論文 参考訳(メタデータ) (2024-03-01T03:27:08Z) - The Right Prompts for the Job: Repair Code-Review Defects with Large
Language Model [15.885824575879763]
自動プログラム修復(APR)技術は、コードレビュー(CR)プロセス中にプログラム欠陥を発見して修復する手作業を減らす可能性がある。
しかし、既存のAPRアプローチにまつわる限られた精度とかなりの時間的コストは、産業的な実践において採用を妨げている。
近年のLLM(Large Language Models)の進歩により、自然言語やプログラミング言語を理解する能力が向上し、レビューコメントに基づいたパッチの生成が可能になった。
論文 参考訳(メタデータ) (2023-12-29T06:12:15Z) - Practical Program Repair via Preference-based Ensemble Strategy [28.176710503313895]
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。
論文 参考訳(メタデータ) (2023-09-15T07:23:04Z) - 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) - Neural Program Repair with Program Dependence Analysis and Effective
Filter Mechanism [37.70518599085677]
単行Javaバグを修正するために、一般的な事前学習言語モデルに適応する、アプローチと呼ばれる新しいニューラルプログラム修復フレームワークを提案する。
我々は,プログラムスライシングを用いて,与えられたバギー文に直接関連した文脈情報を,対応するプログラム依存グラフから補修材料として抽出する試みを行う。
最先端のベースラインと比較して,5つのベンチマークに対するアプローチの有効性を示す。
論文 参考訳(メタデータ) (2023-05-16T09:43:04Z) - Efficient Few-Shot Object Detection via Knowledge Inheritance [62.36414544915032]
Few-shot Object Detection (FSOD) は、未確認のタスクに少ないトレーニングサンプルで適応できるジェネリック検出器を学習することを目的としている。
計算量の増加を伴わない効率的なプレトレイン・トランスファー・フレームワーク(PTF)のベースラインを提案する。
また,予測された新しいウェイトと事前訓練されたベースウェイトとのベクトル長の不整合を軽減するために,適応長再スケーリング(ALR)戦略を提案する。
論文 参考訳(メタデータ) (2022-03-23T06:24:31Z) - A Simple Baseline for StyleGAN Inversion [133.5868210969111]
StyleGANのインバージョンは、トレーニング済みのStyleGANを実際の顔画像編集タスクに使用できるようにする上で重要な役割を果たす。
既存の最適化ベースの手法は高品質な結果を生み出すことができるが、最適化には時間がかかることが多い。
StyleGANインバージョンのための新しいフィードフォワードネットワークを提示し、効率と品質の面で大幅に改善します。
論文 参考訳(メタデータ) (2021-04-15T17:59:49Z) - CURE: Code-Aware Neural Machine Translation for Automatic Program Repair [11.556110575946631]
提案するCUREは,3つの新奇性を持つ新しいNMTベースのAPR手法である。
CUREは、APRタスクの前に開発者ライクなソースコードを学ぶために、大きなソフトウェア上でプログラミング言語(PL)モデルを事前にトレーニングします。
第2に、curyは、バギーコードに近いコンパイル可能なパッチとパッチに注目して、より正確な修正を見つける新しいコードアウェア検索戦略をデザインする。
論文 参考訳(メタデータ) (2021-02-26T22:30:28Z) - Adversarial Patch Generation for Automated Program Repair [0.0]
NEVERMOREは、バグと修正の敵対的な性質にインスパイアされた、新しい学習ベースのメカニズムである。
NEVERMOREはGenerative Adrial Networksアーキテクチャに基づいて構築されており、人為的な修正を忠実に模倣する修正を生成するために、歴史的なバグ修正を訓練している。
実世界の500のバグに対する実証的な評価は、NEVERMOREがバグ修正に有効であることを示し、調査対象のバグの21.2%が人間の修正にマッチする修復を生成する。
論文 参考訳(メタデータ) (2020-12-21T00:34:29Z) - Global Optimization of Objective Functions Represented by ReLU Networks [77.55969359556032]
ニューラルネットワークは複雑で非敵対的な関数を学ぶことができ、安全クリティカルな文脈でそれらの正しい振る舞いを保証することは困難である。
ネットワーク内の障害を見つけるための多くのアプローチ(例えば、敵の例)があるが、これらは障害の欠如を保証できない。
本稿では,最適化プロセスを検証手順に統合し,本手法よりも優れた性能を実現する手法を提案する。
論文 参考訳(メタデータ) (2020-10-07T08:19:48Z) - Structured and Localized Image Restoration [141.75042935077465]
本稿では,局所的構造予測と非線形マルチタスク学習のアイデアを活用した画像復元手法を提案する。
平均二乗およびユークリッド標準誤差に基づいて対応するエネルギーのアルゴリズムを導出する。
論文 参考訳(メタデータ) (2020-06-16T15:43:12Z)
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。