論文の概要: Leveraging Large Language Model for Information Retrieval-based Bug Localization

• arxiv url: http://arxiv.org/abs/2508.00253v1
• Date: Fri, 01 Aug 2025 01:48:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-04 18:08:53.705108
• Title: Leveraging Large Language Model for Information Retrieval-based Bug Localization
• Title（参考訳）: 情報検索型バグローカライゼーションのための大規模言語モデルの活用
• Authors: Moumita Asad, Rafed Muhammad Yasir, Armin Geramirad, Sam Malek,
• Abstract要約: 我々はGenLocと呼ばれる,LLMに基づく新しいバグローカライズ手法を提案する。 バグレポートが与えられた場合、GenLocはコード探索機能を備えたLLMを活用して、コードベースを反復的に分析し、潜在的なバグファイルを特定する。 GenLocは6つの大規模Javaプロジェクトから9000以上の現実世界のバグレポートで評価されている。
• 参考スコア（独自算出の注目度）: 6.543507682026968
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Information Retrieval-based Bug Localization aims to identify buggy source files for a given bug report. While existing approaches -- ranging from vector space models to deep learning models -- have shown potential in this domain, their effectiveness is often limited by the vocabulary mismatch between bug reports and source code. To address this issue, we propose a novel Large Language Model (LLM) based bug localization approach, called GenLoc. Given a bug report, GenLoc leverages an LLM equipped with code-exploration functions to iteratively analyze the code base and identify potential buggy files. To gather better context, GenLoc may optionally retrieve semantically relevant files using vector embeddings. GenLoc has been evaluated on over 9,000 real-world bug reports from six large-scale Java projects. Experimental results show that GenLoc outperforms five state-of-the-art bug localization techniques across multiple metrics, achieving an average improvement of more than 60\% in Accuracy@1.
• Abstract（参考訳）: Information Retrievalベースのバグローカライゼーションは、バグレポートのバグソースファイルを識別することを目的としている。 既存のアプローチ – ベクトル空間モデルからディープラーニングモデルまで – は、この領域におけるポテンシャルを示しているが、バグレポートとソースコードの語彙ミスマッチによって、その効果は制限されることが多い。 この問題に対処するため,我々はGenLocと呼ばれる,LLMベースのバグローカライゼーション手法を提案する。 バグレポートが与えられた場合、GenLocはコード探索機能を備えたLLMを活用して、コードベースを反復的に分析し、潜在的なバグファイルを特定する。 より良いコンテキストを収集するために、GenLocはオプションでベクトル埋め込みを使用して意味のあるファイルを検索できる。 GenLocは6つの大規模Javaプロジェクトから9000以上の現実世界のバグレポートで評価されている。 実験の結果、GenLocは複数のメトリクスにまたがって5つの最先端バグローカライゼーション技術より優れており、精度@1.6%以上の平均的な改善が達成されている。

関連論文リスト

• LLM-Based Detection of Tangled Code Changes for Higher-Quality Method-Level Bug Datasets [5.191767648600372]
  本稿では,コミットメッセージとメソッドレベルのコード差分の両方を活用することで,絡み合ったコード変化を検出するための大規模言語モデルの有用性について検討する。 その結果,コミットメッセージとコード差分を組み合わせることで,モデルの性能が著しく向上することがわかった。 49のオープンソースプロジェクトにアプローチを適用することで、バグギーと非バグギーメソッド間のコードのメトリクスの分散分離性が向上します。
  論文  参考訳（メタデータ） (2025-05-13T06:26:13Z)
• SweRank: Software Issue Localization with Code Ranking [109.3289316191729]
  SweRankは、ソフトウェア問題ローカライゼーションのための効率的な検索と参照のためのフレームワークである。 パブリックなGitHubリポジトリからキュレートされた大規模なデータセットであるSweLocを構築します。 SweRankは最先端の性能を達成し、従来のランキングモデルとコストの高いエージェントベースシステムの両方より優れていることを示す。
  論文  参考訳（メタデータ） (2025-05-07T19:44:09Z)
• Enhancing Code Generation for Low-Resource Languages: No Silver Bullet [55.39571645315926]
  大規模言語モデル(LLM)は、プログラミング言語の構文、意味論、使用パターンを学ぶために、大規模で多様なデータセットに依存している。 低リソース言語では、そのようなデータの限られた可用性は、モデルを効果的に一般化する能力を損なう。 本稿では,低リソース言語におけるLLMの性能向上のためのいくつかの手法の有効性を実証研究する。
  論文  参考訳（メタデータ） (2025-01-31T12:23:28Z)
• Improved IR-based Bug Localization with Intelligent Relevance Feedback [2.9312156642007294]
  ソフトウェアバグは、開発とメンテナンスにおいて重大な課題となり、実践者は、バグを扱うのに約50%の時間を費やします。 既存の多くのテクニックでは、バグレポートとソースコードの間のテキストおよび意味的関連性を使用して、報告されたバグをローカライズするために、Information Retrieval (IR)を採用している。 本稿では,バグレポートとコードの関連性を評価することによって,コンテキストギャップに対処する新たなバグローカライゼーション手法であるBRaInを提案する。
  論文  参考訳（メタデータ） (2025-01-17T20:29:38Z)
• BLAZE: Cross-Language and Cross-Project Bug Localization via Dynamic Chunking and Hard Example Learning [1.9854146581797698]
  BLAZEは動的チャンキングとハードサンプル学習を採用するアプローチである。 プロジェクト横断と言語横断のバグローカライゼーションを強化するために、難しいバグケースを使用してGPTベースのモデルを微調整する。 BLAZEは、トップ1の精度で120%、平均平均精度(MAP)で144%、平均相互ランク(MRR)で100%上昇する。
  論文  参考訳（メタデータ） (2024-07-24T20:44:36Z)
• Supporting Cross-language Cross-project Bug Localization Using Pre-trained Language Models [2.5121668584771837]
  既存のテクニックは、アプリケーション固有のデータに依存しているため、一般化性とデプロイメントに苦労することが多い。 本稿では,プロジェクトと言語の境界を超越したバグローカライゼーションのための,PLMに基づく新しい言語モデルを提案する。
  論文  参考訳（メタデータ） (2024-07-03T01:09:36Z)
• DebugBench: Evaluating Debugging Capability of Large Language Models [80.73121177868357]
  DebugBench - LLM(Large Language Models)のベンチマーク。 C++、Java、Pythonの4つの主要なバグカテゴリと18のマイナータイプをカバーする。 ゼロショットシナリオで2つの商用および4つのオープンソースモデルを評価する。
  論文  参考訳（メタデータ） (2024-01-09T15:46:38Z)
• GlotLID: Language Identification for Low-Resource Languages [51.38634652914054]
  GlotLID-M は広い範囲、信頼性、効率性のデシラタを満たす LID モデルである。 1665の言語を識別し、以前の作業に比べてカバー範囲が大幅に増加した。
  論文  参考訳（メタデータ） (2023-10-24T23:45:57Z)
• Too Few Bug Reports? Exploring Data Augmentation for Improved Changeset-based Bug Localization [7.884766610628946]
  本稿では,バグレポートの異なる構成要素に作用する新しいデータ拡張演算子を提案する。 また、拡張バグレポートのコーパス作成を目的としたデータバランス戦略についても述べる。
  論文  参考訳（メタデータ） (2023-05-25T19:06:01Z)
• 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)
• Limits of Detecting Text Generated by Large-Scale Language Models [65.46403462928319]
  誤情報キャンペーンで使用される可能性があるため、長く一貫性のあるテキストを生成できる大規模な言語モデルが危険であると考える者もいる。 ここでは、仮説テスト問題として大規模言語モデル出力検出を定式化し、テキストを真あるいは生成されたものと分類する。
  論文  参考訳（メタデータ） (2020-02-09T19:53:23Z)

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。