論文の概要: Diagnosing and Resolving Android Applications Building Issues: An Empirical Study

• arxiv url: http://arxiv.org/abs/2511.06186v1
• Date: Sun, 09 Nov 2025 02:01:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.799598
• Title: Diagnosing and Resolving Android Applications Building Issues: An Empirical Study
• Title（参考訳）: 問題を作るAndroidアプリケーションの診断と解決:実証的研究
• Authors: Lakshmi Priya Bodepudi, Yutong Zhao, Ming Quan Fu, Yuanyuan Wu, Sen He, Yu Zhao,
• Abstract要約: この研究は、JavaとKotlinで書かれた200のオープンソースプロジェクトについて実証分析を行い、ビルド失敗の診断と解決を行っている。 環境問題、依存関係、Gradleタスクエラー、設定問題、シンタックス/API不互換性の4つの主要なタイプのビルドエラーを特定しました。
• 参考スコア（独自算出の注目度）: 4.9727667541752085
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Building Android applications reliably remains a persistent challenge due to complex dependencies, diverse configurations, and the rapid evolution of the Android ecosystem. This study conducts an empirical analysis of 200 open-source Android projects written in Java and Kotlin to diagnose and resolve build failures. Through a five-phase process encompassing data collection, build execution, failure classification, repair strategy design, and LLM-assisted evaluation, we identified four primary types of build errors: environment issues, dependency and Gradle task errors, configuration problems, and syntax/API incompatibilities. Among the 135 projects that initially failed to build, our diagnostic and repair strategy enabled developers to resolve 102 cases (75.56%), significantly reducing troubleshooting effort. We further examined the potential of Large Language Models, such as GPT-5, to assist in error diagnosis, achieving a 53.3% success rate in suggesting viable fixes. An analysis of project attributes revealed that build success is influenced by programming language, project age, and app size. These findings provide practical insights into improving Android build reliability and advancing AI-assisted software maintenance.
• Abstract（参考訳）: Androidアプリケーションの構築は,複雑な依存関係やさまざまなコンフィギュレーション,Androidエコシステムの急速な進化など,依然として永続的な課題である。 この研究は、JavaとKotlinで書かれた200のオープンソースプロジェクトについて実証分析を行い、ビルド失敗の診断と解決を行っている。 データ収集,ビルド実行,障害分類,修復戦略設計,LCM支援評価を含む5段階のプロセスを通じて,環境問題,依存性,Gradleタスクエラー,設定問題,構文/API不互換性の4つの主要なタイプのビルドエラーを特定した。 当初ビルドに失敗した135のプロジェクトの中で、診断と修復の戦略により、102のケース(75.56%)を解決することができ、トラブルシューティングの労力を大幅に削減しました。 さらに, GPT-5のような大規模言語モデルが誤り診断を支援する可能性について検討し, 有効な修正を提案する上で53.3%の成功率を達成した。 プロジェクトの属性を分析してみると、ビルドの成功はプログラミング言語、プロジェクト年齢、アプリケーションサイズの影響を受けていることがわかった。 これらの発見は、Androidビルドの信頼性の向上とAI支援ソフトウェアメンテナンスの進歩に関する実践的な洞察を提供する。

関連論文リスト

• Automating Android Build Repair: Bridging the Reasoning-Execution Gap in LLM Agents with Domain-Specific Tools [11.19523991999335]
  43のオープンソースプロジェクトのコミット履歴から算出した1,019のビルド失敗のベンチマークであるAndroidBuildBenchを紹介した。 それぞれの問題は、その後のコミットから検証されたソリューションとペアになって、修正が可能であることを保証する。 汎用シェルコマンドをドメイン認識抽象化に置き換える,ツールブリッジ(Tool Bridging)という戦略の有効性を実証する。
  論文  参考訳（メタデータ） (2025-10-09T01:33:25Z)
• Lessons from a Big-Bang Integration: Challenges in Edge Computing and Machine Learning [52.86213078016168]
  プロジェクトはビッグバン統合のアプローチのため、重大な挫折に直面した。 この研究は、コミュニケーションの貧弱さを含む技術的および組織的障壁を特定する。 また、モックアップよりも完全に発達したコンポーネントに対するバイアスのような心理的要因も考慮している。
  論文  参考訳（メタデータ） (2025-07-23T07:16:45Z)
• Hierarchical Knowledge Injection for Improving LLM-based Program Repair [5.81561797043823]
  現実世界のプロジェクトでは、開発者はそのようなバグを解決するために、ローカルコード以外のより広いリポジトリとプロジェクトレベルのコンテキストに依存することが多い。 本稿では,LLMを構造化コンテキストで漸進的に拡張する階層型知識注入フレームワークを提案する。 このフレームワークをBugsInPyの314のバグのデータセットで評価し、6つのバグタイプにわたる修正率を分析した。
  論文  参考訳（メタデータ） (2025-06-30T16:19:38Z)
• CXXCrafter: An LLM-Based Agent for Automated C/C++ Open Source Software Building [14.687126587793028]
  C/C++プロジェクトは、ダウンストリームアプリケーションの進行を妨げるため、実際は難しいことがしばしば証明される。 CXXCrafterと呼ばれる自動ビルドシステムを開発し、依存関係の解決などの課題に対処します。 オープンソースソフトウェアに対する我々の評価は、CXXCrafterがプロジェクト構築において78%の成功率を達成したことを示している。
  論文  参考訳（メタデータ） (2025-05-27T11:54:56Z)
• ProjectTest: A Project-level LLM Unit Test Generation Benchmark and Impact of Error Fixing Mechanisms [48.43237545197775]
  単体テスト生成はLLMの有望かつ重要なユースケースとなっている。 ProjectTestは、Python、Java、JavaScriptをカバーするユニットテスト生成のためのプロジェクトレベルのベンチマークである。
  論文  参考訳（メタデータ） (2025-02-10T15:24:30Z)
• SUPER: Evaluating Agents on Setting Up and Executing Tasks from Research Repositories [55.161075901665946]
  Superは、機械学習(ML)と自然言語処理(NLP)の研究リポジトリを扱う研究者が直面する現実的な課題を捉えることを目的としている。 本ベンチマークでは,注釈付きエキスパートソリューションを用いたエンドツーエンド問題45,特定の課題に焦点をあてたエキスパートソリューションから導いた152,大規模開発のための602の問題を自動生成する。 我々は、最先端のアプローチが、最良のモデル(GPT-4o)でこれらの問題を解決するのに苦労していることを示し、エンド・ツー・エンドの16.3%と46.1%のシナリオを解決した。
  論文  参考訳（メタデータ） (2024-09-11T17:37:48Z)
• Leveraging Large Language Models for Efficient Failure Analysis in Game Development [47.618236610219554]
  本稿では,テストの失敗の原因となるコードの変更を自動的に識別する手法を提案する。 このメソッドは、LLM(Large Language Models)を利用して、エラーメッセージと対応するコード変更を関連付ける。 当社のアプローチは新たに作成したデータセットで71%の精度に達しています。
  論文  参考訳（メタデータ） (2024-06-11T09:21:50Z)
• LLM-CompDroid: Repairing Configuration Compatibility Bugs in Android Apps with Pre-trained Large Language Models [34.23051590289707]
  LLMの長所と従来のバグ解決ツールを組み合わせたLLM-CompDroidフレームワークを紹介する。 LLM-CompDroidによるバグ解決性能の大幅な向上を示す実験結果を得た。 この革新的なアプローチは、Androidアプリケーションの信頼性と堅牢性を向上させることを約束している。
  論文  参考訳（メタデータ） (2024-02-23T03:51:16Z)
• Towards a Fair Comparison and Realistic Design and Evaluation Framework of Android Malware Detectors [63.75363908696257]
  一般的な評価フレームワークを用いて,Androidのマルウェア検出に関する10の研究成果を分析した。 データセットの作成やデザイナの設計に考慮しない場合、トレーニングされたMLモデルに大きく影響する5つの要因を特定します。 その結果,MLに基づく検出器は楽観的に評価され,良好な結果が得られた。
  論文  参考訳（メタデータ） (2022-05-25T08:28:08Z)

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。