論文の概要: Which Alert Removals are Beneficial?
- arxiv url: http://arxiv.org/abs/2603.21322v1
- Date: Sun, 22 Mar 2026 17:05:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:39.354563
- Title: Which Alert Removals are Beneficial?
- Title（参考訳）: どのアラート除去が有効か?
- Authors: Idan Amit,
- Abstract要約: 警告の削除がコードの複雑さやバグの傾向に与える影響を評価します。
8,245件のアラート削除のデータセットを構築しました。
我々は、将来のバグの可能性を減少させる複雑さを低減させる介入を特定した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Context: Static analysis captures software engineering knowledge and alerts on possibly problematic patterns. Previous work showed that they indeed have predictive power for various problems. However, the impact of removing the alerts is unclear. Aim: We would like to evaluate the impact of alert removals on code complexity and the tendency to bugs. Method: We evaluate the impact of removing alerts using three complementary methods. 1. We conducted a randomized controlled trial and built a dataset of 521 manual alert-removing interventions 2. We profiled intervention-like events using labeling functions. We applied these labeling functions to code commits, found intervention-like natural events, and used them to analyze the impact on the tendency to bugs. 3. We built a dataset of 8,245 alert removals, more than 15 times larger than our dataset of manual interventions. We applied supervised learning to the alert removals, aiming to predict their impact on the tendency to bugs. Results: We identified complexity-reducing interventions that reduce the probability of future bugs. Such interventions are relevant to 33\% of Python files and might reduce the tendency to bugs by 5.5 percentage points. Conclusions: We presented methods to evaluate the impact of interventions. The methods can identify a large number of natural interventions that are highly needed in causality research in many domains.
- Abstract（参考訳）: コンテキスト: 静的分析は、ソフトウェアエンジニアリングの知識と潜在的な問題のあるパターンの警告をキャプチャします。
以前の研究では、様々な問題に対して予測力があることが示されていた。
しかし、アラートを削除する影響は明らかではない。
Aim: コードの複雑さやバグの傾向に対する警告削除の影響を評価したいと思います。
方法:3つの相補的手法を用いて警報の除去効果を評価する。
1 ランダム化制御試験を行い、521 の手動警報除去介入のデータセットを構築した。
2)ラベリング機能を用いた介入様事象のプロファイリングを行った。
これらのラベル付け機能をコードコミットに適用し、介入のような自然なイベントを発見し、バグの傾向に対する影響を分析するために使用しました。
3. 手作業による介入のデータセットの15倍以上の,8,245件のアラート削除のデータセットを構築しました。
監視学習を警告除去に適用し,バグの傾向に対する影響を予測した。
結果: 今後発生するバグの確率を低減するために, 複雑性を低減させる介入を同定した。
このような介入はPythonファイルの33\%に関係しており、バグの傾向を5.5ポイント減少させる可能性がある。
結論:介入の効果を評価する方法を提示した。
この手法は、多くのドメインで因果関係の研究に非常に必要とされる多くの自然介入を識別することができる。
関連論文リスト
- A Large-Scale Collection Of (Non-)Actionable Static Code Analysis Reports [0.05599792629509228]
静的コード分析(SCA)ツールは、しばしば圧倒的な数の警告を発生させます。
この過剰なアラートは、開発者が警告に嫌がらせされ、潜在的に重大な問題を見落とし、最終的には生産性とコード品質を損なう現象である。
我々は、SCA警告の収集と分類のための新しい方法論を導入し、非動作可能な警告と効果的に区別する。
我々は、NASCAR: (Non-)Actionable Static Code Analysis Reportsという、100万以上のJavaソースコード警告の大規模なデータセットを生成します。
論文 参考訳（メタデータ） (2025-11-13T13:59:21Z) - Exploiting Policy Idling for Dexterous Manipulation [19.909895138745345]
本研究では, アイドリング行動の検出可能性を活用して, 探索と政策改善を通知する方法について検討する。
PIP(Pause-induced Perturbations)は,検出したアイドリング状態に摂動を適用したアプローチである。
シミュレーションされた2つのアームタスクにおいて、この単純なアプローチはテスト時間性能を著しく向上させることができる。
論文 参考訳（メタデータ） (2025-08-21T15:52:45Z) - Black Box Causal Inference: Effect Estimation via Meta Prediction [56.277798874118425]
因果推論はデータセットレベルの予測問題であり,アルゴリズム設計を学習プロセスにオフロードする。
我々は,ブラックボックス因果推論 (BBCI) と呼ばれる,サンプルデータセットと効果ペアの因果効果の予測を学習することにより,ブラックボックス方式で推定器を構築する。
我々は,いくつかの因果推論問題に対して,BBCIを用いた平均治療効果(ATE)と条件平均治療効果(CATE)を正確に推定した。
論文 参考訳（メタデータ） (2025-03-07T23:43:19Z) - Indiscriminate Disruption of Conditional Inference on Multivariate Gaussians [60.22542847840578]
敵対的機械学習の進歩にもかかわらず、敵対者の存在下でのガウスモデルに対する推論は特に過小評価されている。
我々は,意思決定者の条件推論とその後の行動の妨害を希望する自己関心のある攻撃者について,一組の明らかな変数を乱すことで検討する。
検出を避けるため、攻撃者は、破損した証拠の密度によって可否が決定される場合に、攻撃が可否を示すことを望んでいる。
論文 参考訳（メタデータ） (2024-11-21T17:46:55Z) - Learning 3D Perception from Others' Predictions [64.09115694891679]
本研究では,3次元物体検出装置を構築するための新たなシナリオについて検討する。
例えば、自動運転車が新しいエリアに入ると、その領域に最適化された検出器を持つ他の交通参加者から学ぶことができる。
論文 参考訳（メタデータ） (2024-10-03T16:31:28Z) - FineWAVE: Fine-Grained Warning Verification of Bugs for Automated Static Analysis Tools [18.927121513404924]
ASAT(Automated Static Analysis Tools)は、バグ検出を支援するために、時間とともに進化してきた。
これまでの研究は、報告された警告を検証するための学習ベースの方法を探究してきた。
我々は,バグに敏感な警告をきめ細かい粒度で検証する学習ベースアプローチであるFineWAVEを提案する。
論文 参考訳（メタデータ） (2024-03-24T06:21:35Z) - Navigating the OverKill in Large Language Models [84.62340510027042]
モデルがどのように処理し,クエリの安全性を判断するかを検討することで,過剰スキルの要因について検討する。
以上の結果から,モデル内にショートカットが存在することが明らかとなり,"キル"のような有害な単語が過剰に認識され,安全性が強調され,過度なスキルが増すことが示唆された。
我々は、この現象を緩和するために、トレーニングフリーでモデルに依存しないセルフコントラストデコーディング(Self-Contrastive Decoding、CD)を導入する。
論文 参考訳（メタデータ） (2024-01-31T07:26:47Z) - An Empirical Study on Bug Severity Estimation using Source Code Metrics and Static Analysis [0.8621608193534838]
我々は、19のJavaオープンソースプロジェクトと異なる重度ラベルを持つ3,358のバグギーメソッドを調査した。
結果は、コードメトリクスがバグの多いコードを予測するのに有用であることを示しているが、バグの深刻度レベルを見積もることはできない。
当社の分類では、セキュリティバグがほとんどのケースで高い重大性を持っているのに対して、エッジ/バウンダリ障害は低い重大性を持っていることが示されています。
論文 参考訳（メタデータ） (2022-06-26T17:07:23Z) - Tracking the risk of a deployed model and detecting harmful distribution
shifts [105.27463615756733]
実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。
我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
論文 参考訳（メタデータ） (2021-10-12T17:21:41Z) - Amnesic Probing: Behavioral Explanation with Amnesic Counterfactuals [53.484562601127195]
調査結果から行動学的結論を推測できない点を指摘する。
我々は、どの情報がエンコードされているかではなく、その情報がどのように使われているかに焦点を当てた代替手段を提供する。
論文 参考訳（メタデータ） (2020-06-01T15:00:11Z)
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。