論文の概要: Effective Fault Localization using Probabilistic and Grouping Approach
- arxiv url: http://arxiv.org/abs/2403.05022v1
- Date: Fri, 8 Mar 2024 03:55:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-11 21:06:45.187578
- Title: Effective Fault Localization using Probabilistic and Grouping Approach
- Title（参考訳）: 確率的およびグループ化アプローチによる有効断層定位
- Authors: Saksham Sahai Srivastava, Arpita Dutta, Rajib Mall
- Abstract要約: 本研究の目的は, 条件付き確率の概念を用いて, 効果的な断層位置決め手法を設計することである。
本稿では,文のカバレッジ情報とテストケースの実行結果の関係を導出するフォールトローカライゼーション手法を提案する。
本研究では,11個のオープンソースデータセットに対して提案手法の有効性を評価する。
- 参考スコア（独自算出の注目度）: 0.7673339435080445
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Context: Fault localization (FL) is the key activity while debugging a
program. Any improvement to this activity leads to significant improvement in
total software development cost. There is an internal linkage between the
program spectrum and test execution result. Conditional probability in
statistics captures the probability of occurring one event in relationship to
one or more other events. Objectives: The aim of this paper is to use the
conception of conditional probability to design an effective fault localization
technique. Methods: In the paper, we present a fault localization technique
that derives the association between statement coverage information and test
case execution result using condition probability statistics. This association
with the failed test case result shows the fault containing the probability of
that specific statement. Subsequently, we use a grouping method to refine the
obtained statement ranking sequence for better fault localization. Results: We
evaluated the effectiveness of proposed method over eleven open-source data
sets. Our obtained results show that on average, the proposed CGFL method is
24.56% more effective than other contemporary fault localization methods such
as D*, Tarantula, Ochiai, Crosstab, BPNN, RBFNN, DNN, and CNN. Conclusion: We
devised an effective fault localization technique by combining the conditional
probabilistic method with failed test case execution-based approach. Our
experimental evaluation shows our proposed method outperforms the existing
fault localization techniques.
- Abstract（参考訳）: コンテキスト: フォールトローカライズ(fl)は、プログラムをデバッグする上で重要なアクティビティである。
この活動の改善は、ソフトウェア開発コスト全体の大幅な改善につながる。
プログラムスペクトルとテスト実行結果の間には内部リンクがある。
統計学における条件付き確率は、1つ以上の他の事象と関連して1つの事象が発生する確率を捉える。
目的: 本論文の目的は,条件付き確率の概念を用いて効果的な断層定位手法を設計することである。
方法:本論文では,条件確率統計を用いて,文カバレッジ情報とテストケース実行結果の関係を導出するフォールトローカライズ手法を提案する。
このテスト結果の失敗との関連は、その特定のステートメントの確率を含む欠陥を示している。
その後,グループ化手法を用いて得られた文のランク付けシーケンスを洗練し,障害の局在性を改善する。
結果:11個のオープンソースデータセットに対して提案手法の有効性を評価した。
以上の結果から,提案手法はD*, Tarantula, Ochiai, Crosstab, BPNN, RBFNN, DNN, CNN, CNNなどの同時代の断層位置決め法よりも平均24.56%有効であることが示唆された。
結論:条件付き確率的手法とテストケース実行の失敗を組み合わせることで,効果的な故障位置推定手法を考案した。
実験により,提案手法は既存の断層局所化手法よりも優れた性能を示した。
関連論文リスト
- Exogenous Matching: Learning Good Proposals for Tractable Counterfactual Estimation [1.9662978733004601]
本稿では, 抽出可能かつ効率的な対実表現推定のための重要サンプリング手法を提案する。
対物推定器の共通上限を最小化することにより、分散最小化問題を条件分布学習問題に変換する。
構造因果モデル (Structure Causal Models, SCM) の様々なタイプと設定による実験による理論的結果の検証と, 対実推定タスクにおける性能の実証を行った。
論文 参考訳（メタデータ） (2024-10-17T03:08:28Z) - Pretraining Data Detection for Large Language Models: A Divergence-based Calibration Method [108.56493934296687]
本研究では,乱数から発散する概念に触発された偏差に基づくキャリブレーション手法を導入し,プリトレーニングデータ検出のためのトークン確率のキャリブレーションを行う。
我々は,中国語テキスト上でのLLMの検出手法の性能を評価するために,中国語のベンチマークであるPatentMIAを開発した。
論文 参考訳（メタデータ） (2024-09-23T07:55:35Z) - DRAUC: An Instance-wise Distributionally Robust AUC Optimization
Framework [133.26230331320963]
ROC曲線のエリア(AUC)は、長い尾の分類のシナリオにおいて広く用いられている指標である。
本研究では,分散ロバストAUC(DRAUC)のインスタンスワイドサロゲート損失を提案し,その上に最適化フレームワークを構築した。
論文 参考訳（メタデータ） (2023-11-06T12:15:57Z) - Observation-Guided Diffusion Probabilistic Models [41.749374023639156]
観測誘導拡散確率モデル(OGDM)と呼ばれる新しい拡散に基づく画像生成法を提案する。
本手法は,観測プロセスの指導をマルコフ連鎖と統合することにより,トレーニング目標を再構築する。
本研究では,強力な拡散モデルベースライン上での多様な推論手法を用いたトレーニングアルゴリズムの有効性を示す。
論文 参考訳（メタデータ） (2023-10-06T06:29:06Z) - Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment
Effect Estimation [137.3520153445413]
下流推論に重点を置く因果発見手法の評価において,顕著なギャップが存在する。
我々は,GFlowNetsに基づく新たな手法を含む,確立された7つの基本因果探索手法を評価する。
研究の結果,研究対象のアルゴリズムのいくつかは,多種多様なATEモードを効果的に捉えることができることがわかった。
論文 参考訳（メタデータ） (2023-07-11T02:58:10Z) - B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under
Hidden Confounding [51.74479522965712]
本稿では,B-Learnerと呼ばれるメタラーナーを提案する。
我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
論文 参考訳（メタデータ） (2023-04-20T18:07:19Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - Test case prioritization using test case diversification and
fault-proneness estimations [0.0]
本稿では,テストケースカバレッジデータ,バグ履歴,テストケースの多様化を考慮したTCPのアプローチを提案する。
クラスタリングに基づくアプローチスキームにフォールト・プレネネスを組み込むことにより,テストケースの多様化が維持される。
実験の結果,提案手法はカバレッジに基づくTCP方式よりも優れていることがわかった。
論文 参考訳（メタデータ） (2021-06-19T15:55:24Z) - Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。
ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。
本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
論文 参考訳（メタデータ） (2021-05-11T03:38:16Z) - Selective Probabilistic Classifier Based on Hypothesis Testing [14.695979686066066]
分類器の閉世界仮定の違反に対処するためのシンプルで効果的な方法を提案する。
提案手法は確率的ネットワークを用いた仮説テストに基づく拒絶オプションである。
提案手法は, より広い操作範囲を達成でき, 代替手段よりも低い偽陽性比をカバーできることが示されている。
論文 参考訳（メタデータ） (2021-05-09T08:55:56Z)
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。