論文の概要: BugRepro: Enhancing Android Bug Reproduction with Domain-Specific Knowledge Integration

• arxiv url: http://arxiv.org/abs/2505.14528v1
• Date: Tue, 20 May 2025 15:48:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:53.541407
• Title: BugRepro: Enhancing Android Bug Reproduction with Domain-Specific Knowledge Integration
• Title（参考訳）: BugRepro: ドメイン特化知識統合によるAndroidのバグ再現の強化
• Authors: Hongrong Yin, Tao Zhang,
• Abstract要約: BugReproは、バグ再現の正確性と効率を高めるために、ドメイン固有の知識を統合するテクニックである。 同様のバグレポートと対応するS2RエンティティをサンプルリッチなRAGドキュメントから取得する。 アプリのグラフィカルユーザインターフェース(GUI)を調べ、UIトランジショングラフを抽出する。
• 参考スコア（独自算出の注目度）: 2.123727622625064
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mobile application development is a fast-paced process where maintaining high-quality user experiences is crucial. Current bug reproduction methods predominantly depend on precise feature descriptions in bug reports. However, the growing complexity and dynamism of modern software systems pose significant challenges to this crucial quality assurance process, as ambiguous or incomplete steps-to-reproduce (S2Rs) in reports frequently impede effective debugging and maintenance. To address these challenges, we propose BugRepro, a novel technique that integrates domain-specific knowledge to enhance the accuracy and efficiency of bug reproduction. BugRepro adopts a Retrieval-Augmented Generation (RAG) approach. It retrieves similar bug reports along with their corresponding S2R entities from an example-rich RAG document. This document serves as a valuable reference for improving the accuracy of S2R entity extraction. In addition, BugRepro incorporates app-specific knowledge. It explores the app's graphical user interface (GUI) and extracts UI transition graphs. These graphs are used to guide large language models (LLMs) in their exploration process when they encounter bottlenecks. Our experiments demonstrate the effectiveness of BugRepro. Our method significantly outperforms two state-of-the-art methods. For S2R entity extraction accuracy, it achieves improvements of 8.85% and 28.89%. For bug reproduction success rate, the improvements reach 74.55% and 152.63%. In reproduction efficiency, the gains are 0.72% and 76.68%.
• Abstract（参考訳）: モバイルアプリケーション開発は、高品質なユーザエクスペリエンスを維持することが非常に重要です。 現在のバグ再現法は、主にバグレポートの正確な特徴記述に依存する。 しかし、現代のソフトウェアシステムの複雑さとダイナミズムの増大は、この重要な品質保証プロセスに重大な課題をもたらす。 これらの課題に対処するため,我々は,バグ再現の精度と効率を高めるために,ドメイン固有の知識を統合する新しい手法であるBugReproを提案する。 BugReproはRetrieval-Augmented Generation (RAG)アプローチを採用している。 同様のバグレポートと対応するS2RエンティティをサンプルリッチなRAGドキュメントから取得する。 この文書は、S2Rエンティティ抽出の精度を向上させるための貴重な参照となる。 さらに、BugReproにはアプリ固有の知識が組み込まれている。 アプリのグラフィカルユーザインターフェース(GUI)を調べ、UIトランジショングラフを抽出する。 これらのグラフは、ボトルネックに遭遇した際の探索プロセスにおいて、大きな言語モデル(LLM)をガイドするために使用される。 BugReproの有効性を実証した。 我々の手法は2つの最先端手法を著しく上回っている。 S2Rエンティティ抽出精度は8.85%と28.89%の改善を実現している。 バグ再現の成功率は74.55%と152.63%に達した。 再生効率は0.72%、76.68%である。

関連論文リスト

• Improving Factuality with Explicit Working Memory [68.39261790277615]
  大規模な言語モデルは、幻覚として知られる、事実的に不正確なコンテンツを生成することができる。 EWE(Explicit Working Memory)は、外部リソースからのリアルタイムフィードバックを受信するワーキングメモリを統合することで、長文テキスト生成における事実性を高める新しい手法である。
  論文  参考訳（メタデータ） (2024-12-24T00:55:59Z)
• Feedback-Driven Automated Whole Bug Report Reproduction for Android Apps [23.460238111094608]
  ReBLは、Androidのバグレポートを再現するための、フィードバック駆動のアプローチである。 従来のステップバイステップのエンティティマッチングアプローチよりも柔軟でコンテキスト対応です。 非クラッシュな機能的なバグレポートを処理できる。
  論文  参考訳（メタデータ） (2024-07-06T19:58:03Z)
• Prompting Is All You Need: Automated Android Bug Replay with Large Language Models [28.69675481931385]
  本稿では,バグ報告から迅速なエンジニアリングを通じてバグを自動的に再現する,新しい軽量なアプローチであるAdbGPTを提案する。 AdbGPTは、LLMから人間の知識と論理的推論を引き出すために、少数ショットの学習と連鎖推論を活用する。 この評価は,253.6秒で81.3%のバグレポートを再現するAdbGPTの有効性と有効性を示すものである。
  論文  参考訳（メタデータ） (2023-06-03T03:03:52Z)
• BigIssue: A Realistic Bug Localization Benchmark [89.8240118116093]
  BigIssueは、現実的なバグローカライゼーションのためのベンチマークである。 実際のJavaバグと合成Javaバグの多様性を備えた一般的なベンチマークを提供する。 われわれは,バグローカライゼーションの最先端技術として,APRの性能向上と,現代の開発サイクルへの適用性の向上を期待している。
  論文  参考訳（メタデータ） (2022-07-21T20:17:53Z)
• DapStep: Deep Assignee Prediction for Stack Trace Error rePresentation [61.99379022383108]
  本稿では,バグトリアージ問題を解決するための新しいディープラーニングモデルを提案する。 モデルは、注目された双方向のリカレントニューラルネットワークと畳み込みニューラルネットワークに基づいている。 ランキングの質を向上させるために,バージョン管理システムのアノテーションから追加情報を利用することを提案する。
  論文  参考訳（メタデータ） (2022-01-14T00:16:57Z)
• VSAC: Efficient and Accurate Estimator for H and F [68.65610177368617]
  VSACはRANSAC型頑健な推定器であり、多くの新奇性がある。 従来のすべてのプロセッサよりも大幅に高速で、CPU上では平均1-2msで動作する。 現在最も正確な2次元幾何学推定器である MAGSAC++ と同等の精度で2桁高速である。
  論文  参考訳（メタデータ） (2021-06-18T17:04:57Z)
• RepPoints V2: Verification Meets Regression for Object Detection [65.120827759348]
  本稿ではRepPointsのローカライズ予測に検証タスクを導入する。 RepPoints v2は、オリジナルのRepPointsよりも約2.0mAPの一貫性のある改善を提供する。 提案手法は、インスタンスセグメンテーションのようなアプリケーションと同様に、他のオブジェクト検出フレームワークをより高めることができることを示す。
  論文  参考訳（メタデータ） (2020-07-16T17:57:08Z)

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。