論文の概要: Human Attention During Localization of Memory Bugs in C Programs

• arxiv url: http://arxiv.org/abs/2506.00693v1
• Date: Sat, 31 May 2025 19:56:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:33.486755
• Title: Human Attention During Localization of Memory Bugs in C Programs
• Title（参考訳）: Cプログラムにおけるメモリバグの局在中の人間の注意
• Authors: Emory Smith, Robert Wallace, Matthew Robison, Yu Huang, Collin McMillan,
• Abstract要約: 本稿では,C言語における記憶障害の局所化における人間の視覚的注意に関する研究について述べる。 私たちは11人のプログラマを募集し、3つのCプログラムの1～6つのメモリバグをそれぞれ1.5～2時間見つけました。 私たちの研究のバグは、メモリリーク、オーバーフロー、ダブルフリーをカバーしています。
• 参考スコア（独自算出の注目度）: 2.879858918002325
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper presents a study of human visual attention during localization of memory bugs in C. Human visual attention refers to the mechanical processes by which we selectively process and prioritize information. Visual attention is important to study because it is central to what information people (who are sighted) use to solve a particular problem. Meanwhile, memory bugs are among the most common types of bugs in C programs that manifest as a variety of program faults. In this paper, we study human visual attention while people attempt to locate memory bugs in code. We recruit 11 programmers to locate between one and six memory bugs in three C programs for 1.5-2 hours each. In total we collected observations of 17 hours of programmer effort. The bugs in our study cover memory leaks, overflows, and double frees, which are among the most common memory bugs. We analyze the task outcomes in terms of success rate and related factors, patterns of visual attention overall such as what lines and functions are read, and finally we explore differences of visual attention patterns during success versus failure cases.
• Abstract（参考訳）: 本稿では,C言語における記憶障害の局所化における人間の視覚的注意に関する研究について述べる。 視覚的な注意は、人々が特定の問題を解決するために使う情報の中心であるため、研究にとって重要である。 一方、メモリのバグは、様々なプログラムの欠陥として現れるCプログラムで最も一般的なタイプのバグの1つである。 本稿では,人間の視覚的注意をコード中のメモリのバグを見つけるために研究する。 私たちは11人のプログラマを募集し、3つのCプログラムの1～6つのメモリバグをそれぞれ1.5～2時間見つけました。 総じて17時間のプログラマの努力の成果を収集しました。 私たちの研究のバグは、メモリリーク、オーバーフロー、ダブルフリーをカバーしています。 我々は、成功率と関連する要因、どのラインや関数が読まれるかといった全体的な視覚的注意パターンを分析し、最後に、成功時の視覚的注意パターンと失敗事例の違いについて検討する。

関連論文リスト

• Leveraging Data Characteristics for Bug Localization in Deep Learning Programs [21.563130049562357]
  本稿では,Deep Learning (DL)プログラムにおける構造的バグの検出とローカライズを行うTheiaを提案する。 Theiaは40のバグギープログラムにおいて57/75のバグをローカライズすることに成功しているのに対し,NeuraLintは17/75のバグをローカライズする前に構造バグをローカライズできる最先端のアプローチである。
  論文  参考訳（メタデータ） (2024-12-08T01:52:06Z)
• VDebugger: Harnessing Execution Feedback for Debugging Visual Programs [103.61860743476933]
  V Debuggerは、視覚プログラムのローカライズとデバッギングのために、段階的に実行を追跡することで訓練された、批評家とリファインダーのフレームワークである。 Vデバッガは、詳細な実行フィードバックを活用してプログラムエラーを特定し、修正する。 6つのデータセットの評価は、Vデバッガの有効性を示し、ダウンストリームタスクの精度が最大3.2%向上したことを示している。
  論文  参考訳（メタデータ） (2024-06-19T11:09:16Z)
• Simple linear attention language models balance the recall-throughput tradeoff [60.06020449520365]
  線形およびすべり窓の注意を結合したシンプルなアーキテクチャであるBASEDを提案する。 我々は、最大1.3bパラメータの言語モデルをトレーニングし、BASEDがパープレキシティにおいて最強のサブクワッドラティックモデルと一致し、実世界のリコール集約タスクにおいて6.22の精度ポイントでそれらのモデルを上回っていることを示す。
  論文  参考訳（メタデータ） (2024-02-28T19:28:27Z)
• GWP-ASan: Sampling-Based Detection of Memory-Safety Bugs in Production [30.534320345970286]
  Heap-use-after-freeとheap-buffer-overflowのバグは、CやC++で記述されたアプリケーションのセキュリティ、信頼性、開発者の生産性の主要な問題である。 本稿では,この2種類のメモリセーフなバグを実運用環境でほぼゼロのオーバーヘッドで検出するツール群について述べる。
  論文  参考訳（メタデータ） (2023-11-15T21:41:53Z)
• Exploring Memorization in Fine-tuned Language Models [53.52403444655213]
  我々は,タスク間の微調整中に,言語モデルの暗記を探索する最初の包括的分析を行う。 オープンソースと、さまざまなタスクにまたがる独自の微調整LMによる研究は、暗記が様々な微調整タスクの間に強い相違を示すことを示している。 本稿では,この課題の相違をスパース符号化理論を用いて直感的に説明し,暗記と注目スコア分布との強い相関関係を明らかにする。
  論文  参考訳（メタデータ） (2023-10-10T15:41:26Z)
• Memoria: Resolving Fateful Forgetting Problem through Human-Inspired Memory Architecture [5.9360953869782325]
  本稿では,人工ニューラルネットワークのメモリシステムであるMemoriaを紹介する。 その結果, 分類, 言語モデリング, 分類の多様なタスクにおいて, Memoriaの有効性が証明された。 エングラム分析により、記憶は人間の記憶の特徴である優位性、傾向、時間的連続効果を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2023-10-04T09:40:46Z)
• Learning to Rehearse in Long Sequence Memorization [107.14601197043308]
  既存の推論タスクは、しばしば、推論中に入力内容が常にアクセス可能であるという重要な仮定を持つ。 メモリ拡張ニューラルネットワークは、人間のような書き込み読み取りメモリを導入し、1回のパスで長い入力シーケンスを圧縮し記憶する。 しかし、2つの重大な欠点がある: 1) メモリを現在の情報から継続的に更新し、必然的に初期の内容を忘れる; 2) 重要な情報を区別せず、全てのコンテンツを平等に扱う。 本稿では,履歴サンプリング装置を用いた自己教師型リハーサルによる長期記憶向上のためのリハーサルメモリを提案する。
  論文  参考訳（メタデータ） (2021-06-02T11:58:30Z)

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。