Fugu-MT 論文翻訳(概要): An End-to-End Approach for Fixing Concurrency Bugs via SHB-Based Context Extractor

論文の概要: An End-to-End Approach for Fixing Concurrency Bugs via SHB-Based Context Extractor

arxiv url: http://arxiv.org/abs/2604.05753v1
Date: Tue, 07 Apr 2026 11:56:35 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-08 17:42:09.79621
Title: An End-to-End Approach for Fixing Concurrency Bugs via SHB-Based Context Extractor
Title（参考訳）: SHBベースのコンテキストエクストラクタによる並行バグの修正のためのエンドツーエンドアプローチ
Authors: Zhuang Li, Qiuping Yi, Keyang Xiao, Zongcheng Ji, Hongliang Liang,
Abstract要約: 本稿では,様々な種類のバグをエンドツーエンドで修正できるConFixAgentを紹介する。そこで本研究では,バグ関連区間の同定に静的-Before Happens Graphを用いて,バグ修復のためのコンテキスト抽出手法を提案する。実験の結果,ConFixAgentは様々な種類のバグに対処する上で,最先端のツールを大幅に上回っていることがわかった。
参考スコア（独自算出の注目度）: 8.427017198449912
License: http://creativecommons.org/licenses/by/4.0/
Abstract: With the rise of multi-core processors and distributed systems, concurrent programming has become essential yet challenging, primarily due to the non-deterministic nature of thread execution. Manually addressing concurrency bugs is time-consuming and error-prone. Automated Program Repair techniques provide a promising solution. However, developing an end-to-end concurrency bug repair tool is particularly challenging. Most existing tools rely on the assumption that bug-related information is readily available or that concurrency bug contexts are ideally extracted, which is often impractical in real-world scenarios. This paper introduces ConFixAgent, an LLM-driven agent capable of fixing various types of concurrency bugs in an end-to-end manner, eliminating the need for any prior bug-related information. Specifically, we propose a novel context extraction approach designed for concurrency bug repair, utilizing Static Happens-Before Graphs to identify bug-relevant sections.We implemented ConFixAgent and evaluated it across multiple benchmark sets. Our extensive experiments demonstrate that ConFixAgent significantly outperforms state-of-the-art tools in addressing diverse types of concurrency bugs, with its context extraction method markedly enhancing the accuracy of LLM-generated repair solutions.
Abstract（参考訳）: マルチコアプロセッサと分散システムの台頭により、並列プログラミングは、スレッド実行の非決定論的性質のため、不可欠に難しいものとなっている。手動で並行処理のバグに対処するのは時間がかかり、エラーが発生しやすい。自動プログラム修復技術は有望な解決策を提供する。しかし、エンドツーエンドの同時並行性バグ修正ツールの開発は特に難しい。既存のツールのほとんどは、バグ関連の情報が簡単に手に入る、あるいは並列性のあるバグコンテキストを理想的に抽出する、という前提に依存しています。本稿では,LLM駆動のエージェントであるConFixAgentについて紹介する。具体的には,Static Happens-Before Graphsを用いてバグ関連セクションを識別し,コンフィクスアジェントを実装し,複数のベンチマークセットで評価する,並列性バグ修復のための新しいコンテキスト抽出手法を提案する。大規模な実験により,ConFixAgentは多種多様な並行性バグに対処するための最先端ツールよりも優れており,そのコンテキスト抽出手法はLLM生成修復ソリューションの精度を著しく向上させる。

関連論文リスト

Dynamic analysis enhances issue resolution [53.50448142467294]
DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。 Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
論文参考訳（メタデータ） (2026-03-23T14:48:54Z)
Deep Learning Based Concurrency Bug Detection and Localization [9.2389985253336]
並行性バグは、ソフトウェアの信頼性とセキュリティを検知し、妥協することが難しいことで知られている。既存のディープラーニング手法には3つの大きな制限がある。そこで本研究では,効率的なバグ検出とローカライゼーションのための新しい手法を提案する。
論文参考訳（メタデータ） (2025-08-28T15:40:20Z)
SemAgent: A Semantics Aware Program Repair Agent [14.80363334219173]
SemAgentは、イシュー、コード、実行セマンティクスを利用して完全なパッチを生成する、新しいワークフローベースのプロシージャである。我々は、(a)実行セマンティクスを活用して関連するコンテキストを検索し、(b)一般化された抽象化を通して問題セマンティクスを理解し、(c)この抽象化のコンテキスト内でコードセマンティクスを分離する、という新しいパイプラインを通してこれを実現する。提案手法は,SWEBench-Liteベンチマークで44.66%の解率を達成し,ワークフローベースのアプローチを全て上回り,ベースラインと比較して7.66%の絶対的な改善を実現している。
論文参考訳（メタデータ） (2025-06-19T23:27:58Z)
When Disagreements Elicit Robustness: Investigating Self-Repair Capabilities under LLM Multi-Agent Disagreements [56.29265568399648]
我々は、不一致が早期のコンセンサスを防ぎ、探索されたソリューション空間を拡張することを主張する。タスククリティカルなステップの相違は、ソリューションパスのトポロジによってコラボレーションを損なう可能性がある。
論文参考訳（メタデータ） (2025-02-21T02:24:43Z)
Repairs in a Block World: A New Benchmark for Handling User Corrections with Multi-Modal Language Models [48.42142115255159]
命令追従操作タスクにおけるマルチモーダルなTPRシーケンスのデータセットであるBlockWorld-Repairsをリリースする。現状のビジョンと言語モデル(VLM)を複数の設定で評価し,TPRの処理能力と正確な応答性に着目した。以上の結果から,これらのモデルはまだマルチモーダル・コラボレーティブ・セッティングにデプロイする準備が整っていないことが示唆された。
論文参考訳（メタデータ） (2024-09-21T21:06:25Z)
A Unified Debugging Approach via LLM-Based Multi-Agent Synergy [39.11825182386288]
FixAgentはマルチエージェントのシナジーによる統合デバッグのためのエンドツーエンドフレームワークである。 1.25$times$ 2.56$times$レポレベルのベンチマークであるDefects4Jのバグを修正した。
論文参考訳（メタデータ） (2024-04-26T04:55:35Z)
A Deep Dive into Large Language Models for Automated Bug Localization and Repair [12.756202755547024]
大規模言語モデル(LLM)は、自動プログラム修復(APR)など、様々なソフトウェアエンジニアリングタスクにおいて顕著な効果を示している。本研究では,LSMを用いた自動バグ修正について深く検討する。異なるLLMを用いてバグの局所化と修正を分離することにより、多様なコンテキスト情報の効果的な統合が可能になる。 Toggleは、CodeXGLUEコード改善ベンチマークで、新しい最先端(SOTA)パフォーマンスを実現する。
論文参考訳（メタデータ） (2024-04-17T17:48:18Z)
Exposing and Addressing Cross-Task Inconsistency in Unified Vision-Language Models [80.23791222509644]
一貫性のないAIモデルは、人間のユーザーによって不安定で信頼できないと見なされている。最先端のビジョン言語モデルは、タスク間の驚くほど高い一貫性のない振る舞いに悩まされている。本稿では,大規模で自動生成されるクロスタスクコントラスト集合上で計算されたランク相関に基づく補助訓練目標を提案する。
論文参考訳（メタデータ） (2023-03-28T16:57:12Z)
Using Developer Discussions to Guide Fixing Bugs in Software [51.00904399653609]
我々は,タスク実行前に利用可能であり,また自然発生しているバグレポートの議論を,開発者による追加情報の必要性を回避して利用することを提案する。このような議論から派生したさまざまな自然言語コンテキストがバグ修正に役立ち、オラクルのバグ修正コミットに対応するコミットメッセージの使用よりもパフォーマンスの向上につながることを実証する。
論文参考訳（メタデータ） (2022-11-11T16:37:33Z)
FixEval: Execution-based Evaluation of Program Fixes for Programming Problems [23.987104440395576]
FixEvalは、競合するプログラミング問題とそれに対応する修正に対して、バグの多いコードを提出するベンチマークです。 FixEvalは、モデル生成プログラム修正の正確性を評価するために、ユニットテストの広範なコレクションを提供する。実験の結果,マッチングに基づくメトリクスは,モデル生成プログラムの修正を正確に反映しないことがわかった。
論文参考訳（メタデータ） (2022-06-15T20:18:43Z)

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。