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

• arxiv url: http://arxiv.org/abs/2505.14528v2
• Date: Thu, 29 May 2025 13:03:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 15:42:33.99119
• 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, Jinhong Huang, Yao Li, Yunwei Dong, 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新しいテクニックである。 BugReproは2つの最先端メソッドを著しく上回っている。
• 参考スコア（独自算出の注目度）: 4.833035081314386
• 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. Bug reproduction, a key aspect of maintaining app quality, often faces significant challenges. Specifically, when descriptions in bug reports are ambiguous or difficult to comprehend, current approaches fail to extract accurate information. Moreover, modern applications exhibit inherent complexity with multiple pages and diverse functionalities, making it challenging for existing methods to map the relevant information in bug reports to the corresponding UI elements that need to be manipulated. 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 steps to reproduce (S2R) entities from an example-rich RAG document. In addition, BugRepro explores the graphical user interface (GUI) of the app and extracts transition graphs from the user interface to incorporate app-specific knowledge to guide large language models (LLMs) in their exploration process. Our experiments demonstrate that BugRepro significantly outperforms two state-of-the-art methods (ReCDroid and AdbGPT). For S2R entity extraction accuracy, it achieves a 7.57 to 28.89 percentage point increase over prior methods. For the bug reproduction success rate, the improvement reaches 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。 バグ再現は、アプリ品質を維持する上で重要な側面であり、しばしば大きな課題に直面します。 特に、バグレポートの記述が曖昧で理解が難しい場合、現在のアプローチでは正確な情報を抽出できない。 さらに、現代のアプリケーションは複数のページと多様な機能を持つ固有の複雑さを示しており、既存のメソッドがバグレポートの関連情報を操作する必要があるUI要素にマッピングすることは困難である。 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。 サンプルリッチなRAGドキュメントから(S2R)エンティティを再生するための、同様のバグレポートとそれに対応するステップを検索する。 さらに、BugReproはアプリのグラフィカルユーザインターフェース(GUI)を調査し、ユーザインターフェースから遷移グラフを抽出し、アプリ固有の知識を取り入れて、大規模な言語モデル(LLM)を探索プロセスに導く。 実験の結果,BugReproは2つの最先端手法(ReCDroidとAdbGPT)よりも優れていた。 S2Rエンティティ抽出精度は、以前の方法よりも7.57から28.89ポイント向上する。 バグ再現の成功率は74.55%と152.63%に達する。 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。