論文の概要: Data Mining-Based Techniques for Software Fault Localization

• arxiv url: http://arxiv.org/abs/2505.18216v1
• Date: Fri, 23 May 2025 07:35:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.217832
• Title: Data Mining-Based Techniques for Software Fault Localization
• Title（参考訳）: データマイニングによるソフトウェア故障位置推定手法
• Authors: Peggy Cellier, Mireille Ducassé, Sébastien Ferré, Olivier Ridoux, W. Eric Wong,
• Abstract要約: 本章では,データマイニング技術を用いた断層局所化の基本概念を解説する。 Tritypプログラムを使用して、一般的な方法を説明する。
• 参考スコア（独自算出の注目度）: 1.0555644626138598
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This chapter illustrates the basic concepts of fault localization using a data mining technique. It utilizes the Trityp program to illustrate the general method. Formal concept analysis and association rule are two well-known methods for symbolic data mining. In their original inception, they both consider data in the form of an object-attribute table. In their original inception, they both consider data in the form of an object-attribute table. The chapter considers a debugging process in which a program is tested against different test cases. Two attributes, PASS and FAIL, represent the issue of the test case. The chapter extends the analysis of data mining for fault localization for the multiple fault situations. It addresses how data mining can be further applied to fault localization for GUI components. Unlike traditional software, GUI test cases are usually event sequences, and each individual event has a unique corresponding event handler.
• Abstract（参考訳）: 本章では,データマイニング技術を用いた断層局所化の基本概念を解説する。 Tritypプログラムを使用して、一般的な方法を説明する。 形式的概念分析とアソシエーションルールは、象徴的なデータマイニングの2つのよく知られた方法である。 元々の開始では、どちらもオブジェクト属性テーブルの形式でデータを考慮していた。 元々の開始では、どちらもオブジェクト属性テーブルの形式でデータを考慮していた。 この章では、異なるテストケースに対してプログラムがテストされるデバッグプロセスについて検討している。 PASSとFAILという2つの属性は、テストケースの問題を表している。 この章は、複数の障害状況に対する障害局所化のためのデータマイニングの分析を拡張している。 GUIコンポーネントのフォールトローカライゼーションにデータマイニングをさらに適用する方法に対処する。 従来のソフトウェアとは異なり、GUIテストケースは通常イベントシーケンスであり、個々のイベントには独自のイベントハンドラがある。

関連論文リスト

• 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)
• Detecting Anomalous Events in Object-centric Business Processes via Graph Neural Networks [55.583478485027]
  本研究では,ビジネスプロセスにおける異常検出のための新しいフレームワークを提案する。 まず、属性グラフとしてオブジェクト中心のイベントログのプロセス依存性を再構築する。 次に、異常事象を検出するために、グラフ畳み込みオートエンコーダアーキテクチャを用いる。
  論文  参考訳（メタデータ） (2024-02-14T14:17:56Z)
• A Framework for Extracting and Encoding Features from Object-Centric Event Data [0.36748639131154304]
  本稿では,オブジェクト中心のイベントデータから特徴を抽出し,符号化するフレームワークを提案する。 オブジェクト中心のイベントデータの特徴を計算し、正確な測定結果を得る。 我々は、予測ユースケースにおいて、オブジェクト中心の特徴とシーケンシャルおよびグラフベースエンコーディングの構造の両方の有用性を示すために、説明可能なAIを使用する。
  論文  参考訳（メタデータ） (2022-09-02T16:49:47Z)
• Defining Cases and Variants for Object-Centric Event Data [0.36748639131154304]
  オブジェクト中心のプロセスマイニングのケースコンセプト:プロセス実行を紹介します。 プロセス実行を抽出する技術を提供します。 実生活のイベントログの最も頻繁なオブジェクト中心の変種を示す。
  論文  参考訳（メタデータ） (2022-08-05T15:33:03Z)
• Accessing and Interpreting OPC UA Event Traces based on Semantic Process Descriptions [69.9674326582747]
  本稿では、イベントデータのコンテキストに基づいて、プロダクションシステムのイベントデータにアクセスするアプローチを提案する。 本手法は,1)生産システムの階層構造の意味モデル,2)形式化されたプロセス記述,3)OPC UA情報モデルを組み合わせることによって,データベースシステムからフィルタリングイベントログを抽出する。
  論文  参考訳（メタデータ） (2022-07-25T15:13:44Z)
• SegmentMeIfYouCan: A Benchmark for Anomaly Segmentation [111.61261419566908]
  ディープニューラルネットワーク(DNN)は通常、閉集合のセマンティッククラスで訓練される。 未発見のオブジェクトを扱うには不備だ。 このような物体の検出と局在化は、自動運転の認識などの安全クリティカルなアプリケーションに不可欠です。
  論文  参考訳（メタデータ） (2021-04-30T07:58:19Z)
• A Background-Agnostic Framework with Adversarial Training for Abnormal Event Detection in Video [120.18562044084678]
  近年,ビデオにおける異常事象検出は複雑なコンピュータビジョンの問題として注目されている。 通常のイベントのみを含むトレーニングビデオから学習するバックグラウンドに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-27T18:39:24Z)

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。