論文の概要: LDMDroid: Leveraging LLMs for Detecting Data Manipulation Errors in Android Apps

• arxiv url: http://arxiv.org/abs/2604.00458v1
• Date: Wed, 01 Apr 2026 04:11:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-02 16:44:31.829812
• Title: LDMDroid: Leveraging LLMs for Detecting Data Manipulation Errors in Android Apps
• Title（参考訳）: LDMDroid: Androidアプリのデータ操作エラー検出にLLMを活用する
• Authors: Xiangyang Xiao, Huaxun Huang, Rongxin Wu,
• Abstract要約: LDMDroidはAndroidアプリのUI自動テストフレームワークです。 UIイベントシーケンスを生成する状態認識プロセスを通じてLLMを誘導することで、DMFトリガの成功を促進する。 また、ビジュアル機能を使用してデータ状態の変化を識別し、DME検証の精度を向上させる。
• 参考スコア（独自算出の注目度）: 1.5924281804465255
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Android apps rely heavily on Data Manipulation Functionalities (DMFs) for handling app-specific data through CRUDS operations, making their correctness vital for reliability. However, detecting Data Manipulation Errors (DMEs) is challenging due to their dependence on specific UI interaction sequences and manifestation as logic bugs. Existing automated UI testing tools face two primary challenges: insufficient UI path coverage for adequate DMF triggering and reliance on manually written test scripts. To address these issues, we propose an automated approach using Large Language Models (LLMs) for DME detection. We developed LDMDroid, an automated UI testing framework for Android apps. LDMDroid enhances DMF triggering success by guiding LLMs through a state-aware process for generating UI event sequences. It also uses visual features to identify changes in data states, improving DME verification accuracy. We evaluated LDMDroid on 24 real-world Android apps, demonstrating improved DMF triggering success rates compared to baselines. LDMDroid discovered 17 unique bugs, with 14 confirmed by developers and 11 fixed. The tool is publicly available at https://github.com/runnnnnner200/LDMDroid.
• Abstract（参考訳）: Androidアプリは、CRUDS操作を通じてアプリ固有のデータを扱うために、データ操作機能(DMF)に大きく依存している。 しかし、DME(Data Manipulation Errors)の検出は、特定のUIインタラクションシーケンスとロジックバグとしてのマニフェストに依存するため、難しい。 既存の自動UIテストツールには、適切なDMFトリガのためのUIパスカバレッジの不足と、手書きのテストスクリプトへの依存という、2つの大きな課題がある。 これらの問題に対処するため,DME検出のためのLarge Language Models (LLM) を用いた自動アプローチを提案する。 LDMDroidはAndroidアプリのUI自動テストフレームワークです。 LDMDroid は UI イベントシーケンスを生成する状態認識プロセスを通じて LLM を誘導することで DMF のトリガを成功させる。 また、ビジュアル機能を使用してデータ状態の変化を識別し、DME検証の精度を向上させる。 LDMDroidを実世界の24のAndroidアプリで評価し,ベースラインと比較してDMFが向上し,成功率も向上した。 LDMDroidは17のユニークなバグを発見し、14が開発者、11が修正された。 このツールはhttps://github.com/runnnnnner200/LDMDroidで公開されている。

関連論文リスト

• DoVer: Intervention-Driven Auto Debugging for LLM Multi-Agent Systems [48.971606069204825]
  DoVerは、大規模言語モデル(LLM)ベースのマルチエージェントシステムのための介入駆動デバッグフレームワークである。 ターゲットの介入を通じて、アクティブな検証によって仮説生成を増強する。 DoVerは失敗試験の18～28%を成功させ、最大16%のマイルストーンを達成し、失敗仮説の30～60%を検証または否定する。
  論文  参考訳（メタデータ） (2025-12-07T09:23:48Z)
• DetectAnyLLM: Towards Generalizable and Robust Detection of Machine-Generated Text Across Domains and Models [60.713908578319256]
  タスク指向の知識で検出器を最適化するために,DDL(Direct Discrepancy Learning)を提案する。 そこで本研究では,最新のMGTD性能を実現する統合検出フレームワークであるTectAnyLLMを紹介する。 MIRAGEは5つのテキストドメインにまたがる10のコーパスから人書きテキストをサンプリングし、17個の最先端のLLMを使用して再生成または修正する。
  論文  参考訳（メタデータ） (2025-09-15T10:59:57Z)
• AgentDroid: A Multi-Agent Framework for Detecting Fraudulent Android Applications [9.024034186744014]
  AgentDroidは、マルチモーダル分析とマルチエージェントシステムに基づく、Androidの不正なアプリケーション検出のための新しいツールである。 Androidアプリケーションを処理し、分析のために一連のマルチモーダルデータを抽出する。 GPT-4oに基づくマルチエージェントツールは、91.7%の精度とF1スコア91.68%の精度を実現し、ベースライン法よりも優れていた。
  論文  参考訳（メタデータ） (2025-03-15T15:07:43Z)
• AutoDroid: LLM-powered Task Automation in Android [32.241570727243534]
  モバイルタスク自動化システムであるAutoDroidを紹介した。 主なコンポーネントは、LLMでUIをブリッジする機能対応UI表現メソッドである。 我々は、メモリ拡張Androidタスク自動化のための新しいベンチマークで、その性能を158の共通タスクで評価した。
  論文  参考訳（メタデータ） (2023-08-29T13:02:30Z)
• Chatting with GPT-3 for Zero-Shot Human-Like Mobile Automated GUI Testing [23.460051600514806]
  GPTDroid を提案し,GUI ページ情報を LLM に渡してテストスクリプトを抽出することにより,大規模言語モデルにモバイルアプリとのチャットを依頼する。 そこで我々はGUIページの静的コンテキストと反復テストプロセスの動的コンテキストを抽出する。 Google Playの86のアプリ上でGPTDroidを評価し、そのアクティビティカバレッジは71%で、最高のベースラインよりも32%高く、最高のベースラインよりも高速で36%多くのバグを検出することができます。
  論文  参考訳（メタデータ） (2023-05-16T13:46:52Z)
• DroidBot-GPT: GPT-powered UI Automation for Android [11.980924738484994]
  DroidBot-GPTは、GPTに似た大規模言語モデル(LLM)を使用して、Androidモバイルアプリケーションとのインタラクションを自動化するツールである。 DroidBot-GPTは、所望のタスクを自然言語で記述するので、タスクを完了させるためにアプリをナビゲートするアクションを自動的に生成して実行することができる。
  論文  参考訳（メタデータ） (2023-04-14T11:31:56Z)
• Error-Aware Imitation Learning from Teleoperation Data for Mobile Manipulation [54.31414116478024]
  移動操作(MM)では、ロボットは環境内を移動して操作することができる。 本研究では,MMタスクに対する連続的なビジュオモダポリシの学習に模倣学習(IL)を適用する方法について検討する。
  論文  参考訳（メタデータ） (2021-12-09T23:54:59Z)
• DMD: A Large-Scale Multi-Modal Driver Monitoring Dataset for Attention and Alertness Analysis [54.198237164152786]
  視覚は運転監視システム(DMS)の最も豊かで費用対効果の高い技術である 十分に大規模で包括的なデータセットの欠如は、DMS開発の進展のボトルネックとなっている。 本稿では,実運転シナリオとシミュレーション運転シナリオを含む広範囲なデータセットであるドライバモニタリングデータセット(DMD)を紹介する。
  論文  参考訳（メタデータ） (2020-08-27T12:33:54Z)
• Simultaneous Detection and Tracking with Motion Modelling for Multiple Object Tracking [94.24393546459424]
  本稿では,複数の物体の運動パラメータを推定し,共同検出と関連付けを行うディープ・モーション・モデリング・ネットワーク(DMM-Net)を提案する。 DMM-Netは、人気の高いUA-DETRACチャレンジで12.80 @120+ fpsのPR-MOTAスコアを達成した。 また,車両追跡のための大規模な公開データセットOmni-MOTを合成し,精密な接地トルースアノテーションを提供する。
  論文  参考訳（メタデータ） (2020-08-20T08:05:33Z)
• Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
  Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。 マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。 このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
  論文  参考訳（メタデータ） (2020-01-06T13:37:51Z)

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。