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: 処理完了
• 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

• 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。