論文の概要: FauxPy: A Fault Localization Tool for Python
- arxiv url: http://arxiv.org/abs/2404.18596v1
- Date: Mon, 29 Apr 2024 11:11:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-30 13:57:37.663592
- Title: FauxPy: A Fault Localization Tool for Python
- Title（参考訳）: FauxPy: Pythonのフォールトローカライズツール
- Authors: Mohammad Rezaalipour, Carlo A. Furia,
- Abstract要約: FauxPyはPythonプログラムのフォールトローカライズツールである。
本稿は、FauxPyを2つの例に例示し、その主な特徴と機能について、ユーザの視点から論じる。
- 参考スコア（独自算出の注目度）: 4.366130138560774
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents FauxPy, a fault localization tool for Python programs. FauxPy supports seven well-known fault localization techniques in four families: spectrum-based, mutation-based, predicate switching, and stack trace fault localization. It is implemented as plugin of the popular Pytest testing framework, but also works with tests written for Unittest and Hypothesis (two other popular testing frameworks). The paper showcases how to use FauxPy on two illustrative examples, and then discusses its main features and capabilities from a user's perspective. To demonstrate that FauxPy is applicable to analyze Python projects of realistic size, the paper also summarizes the results of an extensive experimental evaluation that applied FauxPy to 135 real-world bugs from the BugsInPy curated collection. To our knowledge, FauxPy is the first open-source fault localization tool for Python that supports multiple fault localization families.
- Abstract（参考訳）: 本稿では,PythonプログラムのフォールトローカライズツールであるFauxPyについて述べる。
FauxPyは、スペクトルベース、突然変異ベース、述語スイッチング、スタックトレース障害ローカライゼーションという、4つのファミリーでよく知られた障害ローカライゼーション技術をサポートしている。
人気のあるPytestテスティングフレームワークのプラグインとして実装されているが、UnittestとPhythesis用に書かれたテスト(他の2つの人気のあるテスティングフレームワーク)でも動作する。
本稿は、FauxPyを2つの例に例示し、その主な特徴と機能について、ユーザの視点から論じる。
FauxPyが現実的なサイズのPythonプロジェクトの解析に適用可能であることを示すために、FauxPyをBugsInPyキュレートされたコレクションから135の実際のバグに適用した広範な実験的評価の結果を要約する。
私たちの知る限り、FauxPyはPython用の最初のオープンソースのフォールトローカライゼーションツールであり、複数のフォールトローカライゼーションファミリをサポートしている。
関連論文リスト
- An Empirical Study of Vulnerability Handling Times in CPython [0.2538209532048867]
本稿では,CPythonにおけるソフトウェア脆弱性の処理時間について検討する。
この論文は、Pythonエコシステムのセキュリティをよりよく理解するための最近の取り組みに貢献している。
論文 参考訳（メタデータ） (2024-11-01T08:46:14Z) - Fact Checking Beyond Training Set [64.88575826304024]
本稿では,レトリバーリーダが,あるドメインのラベル付きデータに基づいてトレーニングし,別のドメインで使用する場合,性能劣化に悩まされることを示す。
本稿では,レトリバー成分を分散シフトに対して頑健にするための逆アルゴリズムを提案する。
次に、これらのデータセットから8つの事実チェックシナリオを構築し、モデルと強力なベースラインモデルのセットを比較します。
論文 参考訳（メタデータ） (2024-03-27T15:15:14Z) - pyvene: A Library for Understanding and Improving PyTorch Models via
Interventions [79.72930339711478]
$textbfpyvene$は、さまざまなPyTorchモジュールに対するカスタマイズ可能な介入をサポートするオープンソースライブラリである。
私たちは、$textbfpyvene$が、ニューラルモデルへの介入を実行し、他のモデルとインターバルされたモデルを共有するための統一されたフレームワークを提供する方法を示します。
論文 参考訳（メタデータ） (2024-03-12T16:46:54Z) - SBFT Tool Competition 2024 -- Python Test Case Generation Track [4.149356993529412]
Pythonのテストケース生成(TCG)は、言語の動的性質と厳密な型情報がないため、独特な課題を生じさせる。
従来の研究では、Python用の自動ユニットTCGの探索に成功しており、ランダムなテスト生成方法よりも優れたソリューションが提供されている。
本稿では,提案手法,競合ツールと組み合わせた結果の分析,および競合実験の実施時に直面する課題について述べる。
論文 参考訳（メタデータ） (2024-01-26T20:21:15Z) - PyTy: Repairing Static Type Errors in Python [19.74043303068795]
本稿では,Python の静的型エラーを対象とした自動プログラム修復手法 PyTy を提案する。
私たちは、PyTyDefectsという名前の176のGitHubリポジトリから、2,766のエラー修正ペアのデータセットを作成します。
我々の評価によると、PyTyは10の頻繁な型エラーに対して修正を提供し、実世界のエラー281件のうち85.4%に対処できた。
論文 参考訳（メタデータ） (2024-01-12T15:08:56Z) - SPRINT: A Unified Toolkit for Evaluating and Demystifying Zero-shot
Neural Sparse Retrieval [92.27387459751309]
ニューラルスパース検索を評価するための統一PythonツールキットであるSPRINTを提供する。
我々は、よく認識されているベンチマークBEIRにおいて、強く再現可能なゼロショットスパース検索ベースラインを確立する。
SPLADEv2は、元のクエリとドキュメントの外で、ほとんどのトークンでスパース表現を生成する。
論文 参考訳（メタデータ） (2023-07-19T22:48:02Z) - A Static Evaluation of Code Completion by Large Language Models [65.18008807383816]
単純なプログラミング問題に対するモデル生成コードの機能的正当性を評価するために,実行ベースベンチマークが提案されている。
プログラムを実行せずにエラーを検出するlinterのような静的解析ツールは、コード生成モデルを評価するために十分に研究されていない。
抽象構文木を利用して,Pythonのコード補完における静的エラーを定量化する静的評価フレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-05T19:23:34Z) - An Empirical Study of Fault Localization in Python Programs [4.366130138560774]
本稿では,実環境におけるPythonプログラムと障害の局所化に関するマルチファミリー大規模実証的研究である。
我々は,本研究の基盤として,Javaにおける障害局所化に関するZau et al.の最近の大規模な実証研究を使用している。
結果は、PythonのJavaに関するいくつかの成果を再現し、Pythonの特異性が障害ローカライゼーションの能力に影響を及ぼすかどうかを明かした。
論文 参考訳（メタデータ） (2023-05-31T13:21:30Z) - QuaPy: A Python-Based Framework for Quantification [76.22817970624875]
QuaPyは、定量化を行うためのオープンソースのフレームワークである(例えば、教師付き精度推定)。
Pythonで書かれており、pip経由でインストールできる。
論文 参考訳（メタデータ） (2021-06-18T13:57:11Z) - PySAD: A Streaming Anomaly Detection Framework in Python [0.0]
PySADは、ストリーミングデータの異常検出のためのオープンソースのpythonフレームワークである。
PySADは、PyODやScikit-learnといった人気のあるオープンソースフレームワークの上に構築されている。
論文 参考訳（メタデータ） (2020-09-05T17:41:37Z) - OPFython: A Python-Inspired Optimum-Path Forest Classifier [68.8204255655161]
本稿では,OPFythonと表記されるPythonベースのOptimum-Path Forestフレームワークを提案する。
OPFythonはPythonベースのライブラリなので、C言語よりもフレンドリーな環境とプロトタイピングの作業スペースを提供する。
論文 参考訳（メタデータ） (2020-01-28T15:46:19Z)
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。