論文の概要: MBFL-DKMR: Improving Mutation-based Fault Localization through Denoising-based Kill Matrix Refinement

• arxiv url: http://arxiv.org/abs/2511.22921v1
• Date: Fri, 28 Nov 2025 06:48:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.792448
• Title: MBFL-DKMR: Improving Mutation-based Fault Localization through Denoising-based Kill Matrix Refinement
• Title（参考訳）: MBFL-DKMR: denoising-based Kill Matrix Refinementによる変異に基づく障害局在の改善
• Authors: Hengyuan Liu, Xia Song, Yong Liu, Zheng Li,
• Abstract要約: 本稿では,MBFLにおけるミュータント-テスト関係を捉えるコアデータ構造であるキルマトリクスを改良する新しい手法を提案する。 DKMRは、ハイブリッド行列構築による信号強調と、雑音抑制のための周波数領域フィルタリングによる信号復調の2つの重要な段階を用いる。 Defects4J v2.0.0の評価は、MBFL-DKMRがノイズを効果的に軽減し、最先端のMBFL技術より優れていることを示す。
• 参考スコア（独自算出の注目度）: 21.09532467931481
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Software debugging is a critical and time-consuming aspect of software development, with fault localization being a fundamental step that significantly impacts debugging efficiency. Mutation-Based Fault Localization (MBFL) has gained prominence due to its robust theoretical foundations and fine-grained analysis capabilities. However, recent studies have identified a critical challenge: noise phenomena, specifically the false kill relationships between mutants and tests, which significantly degrade localization effectiveness. While several approaches have been proposed to rectify the final localization results, they do not directly address the underlying noise. In this paper, we propose a novel approach to refine the kill matrix, a core data structure capturing mutant-test relationships in MBFL, by treating it as a signal that contains both meaningful fault-related patterns and high-frequency noise. Inspired by signal processing theory, we introduce DKMR (Denoising-based Kill Matrix Refinement), which employs two key stages: (1) signal enhancement through hybrid matrix construction to improve the signal-to-noise ratio for better denoising, and (2) signal denoising via frequency domain filtering to suppress noise while preserving fault-related patterns. Building on this foundation, we develop MBFL-DKMR, a fault localization framework that utilizes the refined matrix with fuzzy values for suspiciousness calculation. Our evaluation on Defects4J v2.0.0 demonstrates that MBFL-DKMR effectively mitigates the noise and outperforms the state-of-the-art MBFL techniques. Specifically, MBFL-DKMR achieves 129 faults localized at Top-1 compared to 85 for BLMu and 103 for Delta4Ms, with negligible additional computational overhead (0.11 seconds, 0.001\% of total time). This work highlights the potential of signal processing techniques to enhance the effectiveness of MBFL by refining the kill matrix.
• Abstract（参考訳）: ソフトウェアデバッグは、ソフトウェア開発において重要かつ時間を要する側面であり、フォールトローカライゼーションは、デバッグ効率に大きな影響を及ぼす基本的なステップである。 Mutation-Based Fault Localization (MBFL) は、その堅牢な理論的基盤ときめ細かい解析能力により、注目されている。 しかし、最近の研究では、ノイズ現象、特に変異体とテストの間の偽の殺人関係は、局所化の有効性を著しく低下させるという重要な課題が特定されている。 最終的なローカライゼーション結果の修正にはいくつかのアプローチが提案されているが、基礎となるノイズに直接対処するものではない。 本稿では,MBFLにおけるミュータント-テスト関係を捉えるコアデータ構造であるキル行列を,有意な故障関連パターンと高周波ノイズの両方を含む信号として扱うことにより,改良する手法を提案する。 信号処理理論にインスパイアされたDKMR(Denoising-based Kill Matrix Refinement)は,(1)ハイブリッド行列構築による信号強調と,(2)周波数領域フィルタリングによる雑音抑制,(2)故障関連パターンの保存,といった2つの重要な段階を用いる。 この基礎の上に構築されたMBFL-DKMRは,ファジィ値を持つファジィ行列を不確実性計算に利用する断層局在化フレームワークである。 Defects4J v2.0.0の評価は、MBFL-DKMRがノイズを効果的に軽減し、最先端のMBFL技術より優れていることを示す。 具体的には、MBFL-DKMRはTop-1でローカライズされた129の障害をBLMuが85、Delta4Msが103と達成している。 この研究は、Mill行列を精製することでMBFLの有効性を高めるための信号処理技術の可能性を強調している。

関連論文リスト

• FLIMs: Fault Localization Interference Mutants, Definition, Recognition and Mitigation [18.9509632937475]
  そこで本研究では,実際の故障検出情報を保存しながら,誤った干渉を低減できる故障局所化フレームワークを開発した。 MBFL-FLIMはTop-1メートル法で44の断層を平均的に改善し、基準線法よりも大幅に向上した。
  論文  参考訳（メタデータ） (2025-11-28T16:00:44Z)
• DoPE: Denoising Rotary Position Embedding [60.779039511252584]
  トランスフォーマーモデルにおける回転位置埋め込み(RoPE)は、長さを弱める固有の限界を持つ。 ノイズのある特徴写像として位置符号化を用いたアテンションマップを再解釈し、位置補間ページ(DoPE)を提案する。 DoPEは、トランカテッド行列エントロピーに基づくトレーニング不要な手法であり、特徴写像における外乱周波数帯域を検出する。
  論文  参考訳（メタデータ） (2025-11-12T09:32:35Z)
• Signal and Noise: A Framework for Reducing Uncertainty in Language Model Evaluation [103.66549325018741]
  現在のベンチマークの違いを示す2つの重要な指標を紹介します。 より優れた信号対雑音比を持つベンチマークは、小規模で意思決定を行う場合、より信頼性が高いことを示す。 結論は、新しいベンチマークを作成する人や、どの既存のベンチマークを使うかを選択する人は、高い信号と低いノイズを目標にすることを推奨する。
  論文  参考訳（メタデータ） (2025-08-18T17:56:04Z)
• From Entity Reliability to Clean Feedback: An Entity-Aware Denoising Framework Beyond Interaction-Level Signals [20.323837731778358]
  暗黙のフィードバックはレコメンデーションシステムの中心であるが、本質的にノイズがあり、しばしばモデルのトレーニングやユーザエクスペリエンスの劣化を損なう。 textbfEARD(textbfEntity-textbfAware textbfReliability-textbfDriven Denoising)は,インタラクションレベルの信号からエンティティレベルの信頼性に移行する軽量フレームワークである。
  論文  参考訳（メタデータ） (2025-08-14T17:20:12Z)
• Unsupervised CP-UNet Framework for Denoising DAS Data with Decay Noise [13.466125373185399]
  分散音響センサ(DAS)技術は光ファイバーケーブルを利用して音響信号を検出する。 DASは、ジオフォンよりも低い信号対雑音比(S/N)を示す。 これにより、S/Nの低減は、反転と解釈を含むデータ解析に悪影響を及ぼす。
  論文  参考訳（メタデータ） (2025-02-19T03:09:49Z)
• Deep Active Speech Cancellation with Mamba-Masking Network [62.73250985838971]
  アクティブ音声キャンセラ(ASC)のための新しい深層学習ネットワークを提案する。 提案したMamba-Maskingアーキテクチャは、符号化された参照信号と直接対話するマスキング機構を導入する。 実験の結果、ANCシナリオでは7.2dB、ASCでは6.2dBの改善が達成された。
  論文  参考訳（メタデータ） (2025-02-03T09:22:26Z)
• FM2S: Towards Spatially-Correlated Noise Modeling in Zero-Shot Fluorescence Microscopy Image Denoising [33.383511185170214]
  蛍光マイクログラフ・トゥ・セルフ (FM2S) は、3つの重要な革新を通じて効率的な蛍光マイクログラフ・トゥ・セルフ (FM2S) を実現するゼロショットデノイザーである。 FM2Sは平均1.4dBPSNRでCVF-SIDを上回り、AP-BSNの0.1%のパラメータを必要とする。
  論文  参考訳（メタデータ） (2024-12-13T10:45:25Z)
• DFedADMM: Dual Constraints Controlled Model Inconsistency for Decentralized Federated Learning [52.83811558753284]
  分散学習(DFL)は、中央サーバーを捨て、分散通信ネットワークを確立する。 既存のDFL手法は依然として、局所的な矛盾と局所的な過度なオーバーフィッティングという2つの大きな課題に悩まされている。
  論文  参考訳（メタデータ） (2023-08-16T11:22:36Z)
• Learning Test-Mutant Relationship for Accurate Fault Localisation [16.080629795085322]
  自動フォールトローカライゼーション(Automated fault Localization)は、開発者がフォールトロケーションのスペースを狭めることで、障害の根本原因を特定するのを支援することを目的としている。 いくつかのミューテーションベース障害局所化(MBFL)技術が、自動的に故障を見つけるために提案されている。 その成功にもかかわらず、既存のMBFL技術は、欠陥が観測された後に突然変異解析を行うコストに悩まされている。 本稿では,現時点の異常をローカライズするために事前突然変異解析を利用するSIMFLと呼ばれる新しいMBFL手法を提案する。
  論文  参考訳（メタデータ） (2023-06-04T10:09:38Z)
• Amplitude-Varying Perturbation for Balancing Privacy and Utility in Federated Learning [86.08285033925597]
  本稿では,フェデレート学習のプライバシを保護するため,時変雑音振幅を持つ新しいDP摂動機構を提案する。 我々は、FLの過度な摂動ノイズによる早期収束を防止するために、シリーズのオンラインリファインメントを導出した。 新しいDP機構のプライバシ保存FLの収束と精度への寄与は、持続的な雑音振幅を持つ最先端のガウスノイズ機構と比較して相関する。
  論文  参考訳（メタデータ） (2023-03-07T22:52:40Z)
• Learning based signal detection for MIMO systems with unknown noise statistics [84.02122699723536]
  本論文では,未知のノイズ統計による信号を堅牢に検出する一般化最大確率(ML)推定器を考案する。 実際には、システムノイズに関する統計的な知識はほとんどなく、場合によっては非ガウス的であり、衝動的であり、分析不可能である。 我々のフレームワークは、ノイズサンプルのみを必要とする教師なしの学習アプローチによって駆動される。
  論文  参考訳（メタデータ） (2021-01-21T04:48:15Z)

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。