論文の概要: On the Integration of Spectrum-Based Fault Localization Tools into IDEs

• arxiv url: http://arxiv.org/abs/2403.11538v1
• Date: Mon, 18 Mar 2024 07:43:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-03-19 16:16:57.312160
• Title: On the Integration of Spectrum-Based Fault Localization Tools into IDEs
• Title（参考訳）: スペクトルベースの障害局在化ツールのIDEへの統合について
• Authors: Attila Szatmári, Qusay Idrees Sarhan, Gergő Balogh, Péter Attila Soha, Árpád Beszédes,
• Abstract要約: SBFLは軽量で実装が容易であるため、研究者の間で人気がある。 有効性向上を目的とした研究には、多くの可能性がある。 少数の研究用プロトタイプが利用可能である。
• 参考スコア（独自算出の注目度）: 1.641101482398716
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spectrum-Based Fault Localization (SBFL) is a technique to be used during debugging, the premise of which is that, based on the test case outcomes and code coverage, faulty code elements can be automatically detected. SBFL is popular among researchers because it is lightweight and easy to implement, and there is a lot of potential in it when it comes to research that aims to improve its effectiveness. Despite this, the technique cannot be found in contemporary development and debugging tools, only a handful of research prototypes are available. Reasons for this can be multiple, including the algortihms' sub-optimal effectiveness and other technical weaknesses. But, also the lack of clear functional and non-functional requirements for such a tool, either standalone or integrated into IDEs. In this paper, we attempt to provide such a list in form of recommendations, based on surveying the most popular SBFL tools and on our own researchers' and tool builders' experience.
• Abstract（参考訳）: スペクトルベースのフォールトローカライゼーション(SBFL)はデバッグ時に使用するテクニックであり、テストケースの結果とコードカバレッジに基づいて、欠陥のあるコード要素を自動的に検出することができる。 SBFLは軽量で実装が容易であるため、研究者の間で人気がある。 それにもかかわらず、この技術は現代の開発やデバッグツールでは見つからないが、少数の研究プロトタイプのみが利用可能である。 この理由には、アルゴルティムームの準最適効果やその他の技術的な弱点が含まれる。 しかし、そのようなツールの明確な機能要件と非機能要件が欠如しているため、スタンドアロンかIDEに統合されている。 本稿では、最も人気のあるSBFLツールと、我々の研究者やツール構築者自身の経験に基づいて、レコメンデーションの形でそのようなリストを提供しようとしている。

関連論文リスト

• Enhancing Debugging Skills with AI-Powered Assistance: A Real-Time Tool for Debugging Support [8.607022377771422]
  コードの解析、ブレークポイントの提案、コンテキストヒントの提供によるリアルタイムサポートを提供する。 LLM、プログラムスライシング、税関でRAGを使用すると、LLMコールの最小化と精度の向上によって効率が向上する。
  論文  参考訳（メタデータ） (2026-01-05T19:20:59Z)
• Using a Sledgehammer to Crack a Nut? Revisiting Automated Compiler Fault Isolation [9.699231545580806]
  本研究の目的は,BICベースの戦略であるBasicと,コンパイラ故障局所化の文脈における代表的SBFL技術を直接比較することである。 Basicは最新の良いリリースと最も初期の悪いリリースを特定し、バグを引き起こすコミットをピンポイントするためにバイナリ検索を使用する。 我々は、60のGCCバグと60のLLVMバグからなるベンチマークを用いて、BasicとSBFLベースのテクニックを厳格に比較した。
  論文  参考訳（メタデータ） (2025-12-18T09:22:57Z)
• Designing for Novice Debuggers: A Pilot Study on an AI-Assisted Debugging Tool [5.192564039251338]
  本研究は,大学院生のグループで行った第2の設計デバッガーから得られた知見を報告する。 その結果,本ツールは意味的誤りの解消に極めて有効であり,第1版よりも使いやすくなっていることがわかった。 ツールとのインタラクションを最適化するためには、ユーザプロファイルに基づいてAI支援デバッグアプローチをパーソナライズする必要があると結論付けている。
  論文  参考訳（メタデータ） (2025-09-25T12:18:20Z)
• LoSemB: Logic-Guided Semantic Bridging for Inductive Tool Retrieval [20.24121370193077]
  帰納的ツール検索,すなわち LoSemB のための Logic-Guided Semantic Bridging フレームワークを提案する。 LoSemBは、コストのかかる再トレーニングなしに、帰納的ツール検索のための潜在論理情報をマイニングし、転送することを目的としている。
  論文  参考訳（メタデータ） (2025-08-11T07:07:18Z)
• CRITICTOOL: Evaluating Self-Critique Capabilities of Large Language Models in Tool-Calling Error Scenarios [30.20881816731553]
  大規模な言語モデルが外部ツールを利用する能力により、ますます多様なタスクに対処できるようになった。 タスクがより複雑で長期的になると、複雑なツール利用プロセスが様々な予期せぬエラーを引き起こす可能性がある。 このようなエラーの特定、診断、回復など、効果的に対処する方法が、ツール学習を進める上で重要な研究方向として現れている。
  論文  参考訳（メタデータ） (2025-06-11T17:59:18Z)
• RefTool: Enhancing Model Reasoning with Reference-Guided Tool Creation [44.128974924517465]
  RefToolは、自動ツール作成のための参照誘導フレームワークである。 リファレンスコンテンツから実行可能なツールを生成し、イラストレーションの例を使って検証し、階層的にツールボックスに整理する。 因果性、物理、化学ベンチマークの実験では、RefToolが既存のツール作成法やドメイン固有の推論法より優れていることが示されている。
  論文  参考訳（メタデータ） (2025-05-27T16:41:19Z)
• Tool-Star: Empowering LLM-Brained Multi-Tool Reasoner via Reinforcement Learning [63.31585771716123]
  大言語モデル(LLM)は、大規模強化学習(RL)を通じて顕著な推論能力を示した。 ステップワイズ推論中に複数の外部ツールを自律的に呼び出すLLベースのフレームワークであるTool-Starを紹介する。 Tool-Starは6種類のツールを統合し、データ合成とトレーニングの両方に体系的な設計を取り入れている。
  論文  参考訳（メタデータ） (2025-05-22T09:00:19Z)
• Adaptive Tool Use in Large Language Models with Meta-Cognition Trigger [49.81945268343162]
  我々は,外部ツール利用のための適応型意思決定戦略であるMeCoを提案する。 MeCoは表現空間の高レベル認知信号をキャプチャし、ツールを呼び出すタイミングを指示する。 実験の結果,MeCoはLSMの内部認知信号を正確に検出し,ツール使用による意思決定を大幅に改善することがわかった。
  論文  参考訳（メタデータ） (2025-02-18T15:45:01Z)
• Learning to Ask: When LLMs Meet Unclear Instruction [49.256630152684764]
  大きな言語モデル(LLM)は、言語スキルだけでは達成不可能なタスクに対処するための外部ツールを活用することができる。 我々は、不完全な命令下でのLLMツールの使用性能を評価し、エラーパターンを分析し、Noisy ToolBenchと呼ばれる挑戦的なツール使用ベンチマークを構築した。 Ask-when-Needed (AwN) という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-31T23:06:12Z)
• Tools Fail: Detecting Silent Errors in Faulty Tools [27.822981272044043]
  我々は、モデルが「サイレント」ツールを検出する能力を調べるためのツールのためのフレームワークを紹介します。 制御電卓設定と具体化エージェント計画の両方で有望な結果が得られるような早期の故障復旧手法を提案する。
  論文  参考訳（メタデータ） (2024-06-27T14:52:34Z)
• What Are Tools Anyway? A Survey from the Language Model Perspective [67.18843218893416]
  言語モデル(LM)は強力だが、主にテキスト生成タスクに向いている。 LMが使用する外部プログラムとしてツールを統一的に定義する。 各種ツールの効率を実証的に検討した。
  論文  参考訳（メタデータ） (2024-03-18T17:20:07Z)
• Planning, Creation, Usage: Benchmarking LLMs for Comprehensive Tool Utilization in Real-World Complex Scenarios [93.68764280953624]
  UltraToolは、ツール利用におけるLarge Language Modelsの能力を改善し評価するために設計された、新しいベンチマークである。 現実の複雑さを強調し、効果的な問題解決のために正確で多段階の計画を必要とする。 UltraToolの重要な特徴は、ツールの使用前に発生する自然言語による計画の独立した評価である。
  論文  参考訳（メタデータ） (2024-01-30T16:52:56Z)
• CausalVLR: A Toolbox and Benchmark for Visual-Linguistic Causal Reasoning [107.81733977430517]
  CausalVLR(Causal Visual-Linguistic Reasoning)は、最先端の因果関係の発見と因果推論方法の豊富なセットを含むオープンソースのツールボックスである。 これらのメソッドはNVIDIAコンピューティングシステムの下でPyTorchを実装したツールボックスに含まれている。
  論文  参考訳（メタデータ） (2023-06-30T08:17:38Z)
• Large Language Models as Tool Makers [85.00361145117293]
  我々はLLM A s Tool Makers (LATM) と呼ばれるクローズドループフレームワークを導入する。 ツール作成: 1 つのツール作成: LLM がタスクセットのためのツールを作成するツールメーカとして機能する 2 つのツール使用: 別の LLM がツールユーザとして機能し、ツールメーカが問題解決のために構築したツールを適用する。
  論文  参考訳（メタデータ） (2023-05-26T17:50:11Z)
• CREATOR: Tool Creation for Disentangling Abstract and Concrete Reasoning of Large Language Models [74.22729793816451]
  大規模言語モデル(LLM)はツールの利用において大きな進歩を遂げているが、その能力はAPIの可用性によって制限されている。 我々は、LCMがドキュメンテーションとコード実現を使って独自のツールを作成できる新しいフレームワークCREATORを提案する。 我々は,MATH と TabMWP のベンチマークで CREATOR を評価する。
  論文  参考訳（メタデータ） (2023-05-23T17:51:52Z)
• Productive Reproducible Workflows for DNNs: A Case Study for Industrial Defect Detection [0.0]
  本稿では,産業欠陥検出のためのエンド・ツー・エンドの人工知能アプリケーションを開発した最近の経験について論じる。 私たちは、高レベルのディープラーニングライブラリ、コンテナ化、継続的インテグレーション/デプロイパイプライン、そして競合する結果を生み出すために利用したオープンソースのコードテンプレートについて詳しく説明します。 このようなシステムを活用することで、研究においても得られる価値を強調し、精度と推測時間の観点から最良の結果を提示する。
  論文  参考訳（メタデータ） (2022-06-19T09:10:13Z)

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。