論文の概要: Feature Slice Matching for Precise Bug Detection
- arxiv url: http://arxiv.org/abs/2512.24858v1
- Date: Wed, 31 Dec 2025 13:38:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-01 23:27:28.666696
- Title: Feature Slice Matching for Precise Bug Detection
- Title（参考訳）: 精密バグ検出のための特徴スライスマッチング
- Authors: Ke Ma, Jianjun Huang, Wei You, Bin Liang, Jingzheng Wu, Yanjun Wu, Yuanjun Gong,
- Abstract要約: 類似度測定に基づく正確なバグ検出のために,MATUSを提案する。
MATUSは、ターゲットのスライシング基準をピンポイントするエンドツーエンドの方法で、バギーコードから事前の知識でターゲットスライシングをガイドする。
総じて、MATUSはLinuxカーネルに31の未知のバグを発見した。
- 参考スコア（独自算出の注目度）: 20.317145243107117
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Measuring the function similarity to detect bugs is effective, but the statements unrelated to the bugs can impede the performance due to the noise interference. Suppressing the noise interference in existing works does not manage the tough job, i.e., eliminating the noise in the targets. In this paper, we propose MATUS to mitigate the target noise for precise bug detection based on similarity measurement. Feature slices are extracted from both the buggy query and the targets to represent the semantic feature of (potential) bug logics. In particular, MATUS guides the target slicing with the prior knowledge from the buggy code, in an end-to-end way to pinpoint the slicing criterion in the targets. All feature slices are embedded and compared based on the vector similarity. Buggy candidates are audited to confirm unknown bugs in the targets. Experiments show that MATUS holds advantages in bug detection for real-world projects with acceptable efficiency. In total, MATUS has spotted 31 unknown bugs in the Linux kernel. All of them have been confirmed by the kernel developers, and 11 have been assigned CVEs.
- Abstract（参考訳）: バグを検出するために関数の類似性を測定することは効果的であるが、バグとは無関係なステートメントはノイズの干渉によってパフォーマンスを阻害する可能性がある。
既存の作業においてノイズ干渉を抑えることは、目標のノイズを除去するなど、難しい作業にはならない。
本稿では,類似度測定に基づく精度の高いバグ検出のための目標雑音軽減のためのMATUSを提案する。
機能スライスはバグジィクエリとターゲットの両方から抽出され、(潜在的な)バグロジックのセマンティックな特徴を表す。
特に、MATUSは、ターゲットのスライス基準をピンポイントするエンドツーエンドの方法で、バギーコードから事前の知識でターゲットのスライスをガイドする。
すべての特徴スライスを埋め込み、ベクトルの類似性に基づいて比較する。
バギー候補は、ターゲットの未知のバグを確認するために監査される。
実験の結果、MATUSは現実プロジェクトのバグ検出において、許容できる効率で優位性を持っていることが示された。
総じて、MATUSはLinuxカーネルに31の未知のバグを発見した。
これらはすべてカーネル開発者によって確認されており、11がCVEに割り当てられている。
関連論文リスト
- BugPilot: Complex Bug Generation for Efficient Learning of SWE Skills [59.003563837981886]
高品質なバグは、次世代の言語モデルベースソフトウェアエンジニアリング(SWE)エージェントをトレーニングする鍵となる。
難易度および多種多様なバグを合成する新しい方法を提案する。
論文 参考訳（メタデータ） (2025-10-22T17:58:56Z) - Understanding and Mitigating Numerical Sources of Nondeterminism in LLM Inference [31.2331188304598]
評価バッチサイズ、GPUカウント、GPUバージョンなどのシステム構成の変更は、生成されたレスポンスに大きな違いをもたらす可能性がある。
この変数の根本原因は、限定的な数値精度で浮動小数点算術の非連想性に遡る。
そこで我々は16ビットの精度で重みを格納するが、FP32では全ての計算を実行する軽量な推論パイプラインLayerCastを開発した。
論文 参考訳（メタデータ） (2025-06-11T08:23:53Z) - CITADEL: Context Similarity Based Deep Learning Framework Bug Finding [37.985497279785235]
既存のDLフレームワークテストツールは非効率で、数百のテストケースを生成し、トリガのバグが少ない。
効率と有効性の観点からバグ発見を高速化する手法であるCitadelを提案する。
論文 参考訳（メタデータ） (2024-06-18T01:51:16Z) - Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。
カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。
我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-10-09T03:55:09Z) - ADPTriage: Approximate Dynamic Programming for Bug Triage [0.0]
オンラインバグトリアージタスクのためのマルコフ決定プロセス(MDP)モデルを開発した。
私たちはADPTriageと呼ばれるADPベースのバグトリアージソリューションを提供しています。
以上の結果から, 代入精度と固定時間の観点から, ミオピックアプローチよりも有意な改善が見られた。
論文 参考訳（メタデータ） (2022-11-02T04:42:21Z) - Learning Stable Classifiers by Transferring Unstable Features [59.06169363181417]
本研究では,素早い相関関係の存在下での伝達学習について検討する。
提案手法は, ソースタスクで学習した安定な特徴抽出器を直接転送しても, 対象タスクのバイアスを排除できないことを実験的に実証する。
我々は、ソースタスクの不安定な特徴とターゲットタスクの不安定な特徴が直接関連していると仮定する。
論文 参考訳（メタデータ） (2021-06-15T02:41:12Z) - Real-Time Anomaly Detection in Edge Streams [49.26098240310257]
マイクロクラスタ異常の検出に焦点を当てたMIDASを提案する。
さらに、アルゴリズムの内部状態に異常が組み込まれている問題を解くために、MIDAS-Fを提案する。
実験の結果,MIDAS-Fの精度はMIDASよりも有意に高かった。
論文 参考訳（メタデータ） (2020-09-17T17:59:27Z) - Advaita: Bug Duplicity Detection System [1.9624064951902522]
重複バグ率(重複バグの%)は、製品の成熟度、コードのサイズ、プロジェクトに取り組んでいるエンジニアの数に基づいて、1桁(1～9%)から2桁(40%)の範囲にある。
重複の検出は、2つのバグが同じ意味を持つかどうかを識別する。
このアプローチでは、基本的なテキスト統計的特徴、意味的特徴、文脈的特徴など、複数の機能セットを考慮に入れている。
論文 参考訳（メタデータ） (2020-01-24T04:48:39Z)
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。