論文の概要: An Extensive Replication Study of the ABLoTS Approach for Bug Localization

• arxiv url: http://arxiv.org/abs/2605.11790v1
• Date: Tue, 12 May 2026 08:54:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.733084
• Title: An Extensive Replication Study of the ABLoTS Approach for Bug Localization
• Title（参考訳）: バグ局所化のためのABLoTSアプローチの大規模レプリケーション
• Authors: Feifei Niu, Enshuo Zhang, Christoph Mayr-Dorn, Wesley Klewerton Guez Assunção, Liguo Huang, Jidong Ge, Bin Luo, Alexander Egyed,
• Abstract要約: ABLoTSは、バグの多いソースコードスニペットを将来性のある結果で識別するためのIRBLアプローチである。 このアプローチの再現性について、元のデータセットと2つの拡張データセットを用いて検討する。 ABLoTSのコアであるTraceScoreコンポーネントは、拡張データセットで同等あるいはそれ以上の結果を生成する。
• 参考スコア（独自算出の注目度）: 47.89260192608388
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bug localization is the task of recommending source code locations (typically files) that contain the cause of a bug and hence need to be changed to fix the bug. Along these lines, information retrieval-based bug localization (IRBL) approaches have been adopted, which identify the most bug-prone files from the source code space. In current practice, a series of state-of-the-art IRBL techniques leverage the combination of different components (e.g., similar reports, version history, and code structure) to achieve better performance. ABLoTS is a recently proposed approach with the core component, TraceScore, that utilizes requirements and traceability information between different issue reports (i.e., feature requests and bug reports) to identify buggy source code snippets with promising results. To evaluate the accuracy of these results and obtain additional insights into the practical applicability of ABLoTS, we conducted a replication study of this approach with the original dataset and also on two extended datasets (i.e., additional Java dataset and Python dataset). The original dataset consists of 11 open source Java projects with 8,494 bug reports. The extended Java dataset includes 16 more projects comprising 25,893 bug reports and corresponding source code commits. The extended Python dataset consists of 12 projects with 1,289 bug reports. While we find that the TraceScore component, which is the core of ABLoTS, produces comparable or even better results with the extended datasets, we also find that we cannot reproduce the ABLoTS results, as reported in its original paper, due to an overlooked side effect of incorrectly choosing a cut-off date that led to test data leaking into training data with significant effects on performance.
• Abstract（参考訳）: バグローカライゼーション(Bug Localization)とは、バグの原因を含むソースコードの位置(通常はファイル)を推奨するタスクである。 これらの線に沿って、情報検索に基づくバグローカライゼーション(IRBL)アプローチが採用され、ソースコード空間から最もバグを起こしやすいファイルを特定する。 現在、一連の最先端IRBL技術は、様々なコンポーネント(例えば、類似のレポート、バージョン履歴、コード構造)を組み合わせることで、より良いパフォーマンスを実現している。 ABLoTSは、最近提案されたコアコンポーネントであるTraceScoreとのアプローチで、異なるイシューレポート(機能要求やバグレポートなど)間の要求とトレーサビリティ情報を利用して、有望な結果でバグの多いソースコードスニペットを識別する。 これらの結果の精度を評価し,ABLoTSの実用性に関するさらなる知見を得るため,本手法を元のデータセットと拡張された2つのデータセット(JavaデータセットとPythonデータセット)で再現した。 オリジナルのデータセットは、11のオープンソースプロジェクトと8,494のバグレポートで構成されている。 拡張されたJavaデータセットには、25,893のバグレポートと対応するソースコードコミットを含む16のプロジェクトが含まれている。 拡張されたPythonデータセットは12のプロジェクトと1,289のバグレポートで構成されている。 ABLoTSのコアであるTraceScoreコンポーネントは、拡張データセットで同等あるいはそれ以上の結果を生成するが、元の論文で報告されたように、テストデータがトレーニングデータにリークする原因となるカットオフ日を誤って選択するという見過ごされた副作用のため、ABLoTSの結果を再現できないことも判明した。

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)
• Leveraging Large Language Model for Information Retrieval-based Bug Localization [5.556612138252782]
  GenLocは、セマンティック検索とコード探索機能を組み合わせて、潜在的なバグのあるファイルを識別する。 我々はGenLocを6つの大規模オープンソースプロジェクトの9,097のバグのベンチマークと16プロジェクトにわたる131の最新のバグのGHRBデータセットの2つの多様なデータセットで評価した。
  論文  参考訳（メタデータ） (2025-08-01T01:48:10Z)
• Improved IR-based Bug Localization with Intelligent Relevance Feedback [2.9312156642007294]
  ソフトウェアバグは、開発とメンテナンスにおいて重大な課題となり、実践者は、バグを扱うのに約50%の時間を費やします。 既存の多くのテクニックでは、バグレポートとソースコードの間のテキストおよび意味的関連性を使用して、報告されたバグをローカライズするために、Information Retrieval (IR)を採用している。 本稿では,バグレポートとコードの関連性を評価することによって,コンテキストギャップに対処する新たなバグローカライゼーション手法であるBRaInを提案する。
  論文  参考訳（メタデータ） (2025-01-17T20:29:38Z)
• BLAZE: Cross-Language and Cross-Project Bug Localization via Dynamic Chunking and Hard Example Learning [1.9854146581797698]
  BLAZEは動的チャンキングとハードサンプル学習を採用するアプローチである。 プロジェクト横断と言語横断のバグローカライゼーションを強化するために、難しいバグケースを使用してGPTベースのモデルを微調整する。 BLAZEは、トップ1の精度で120%、平均平均精度(MAP)で144%、平均相互ランク(MRR)で100%上昇する。
  論文  参考訳（メタデータ） (2024-07-24T20:44:36Z)
• DebugBench: Evaluating Debugging Capability of Large Language Models [80.73121177868357]
  DebugBench - LLM(Large Language Models)のベンチマーク。 C++、Java、Pythonの4つの主要なバグカテゴリと18のマイナータイプをカバーする。 ゼロショットシナリオで2つの商用および4つのオープンソースモデルを評価する。
  論文  参考訳（メタデータ） (2024-01-09T15:46:38Z)
• S3M: Siamese Stack (Trace) Similarity Measure [55.58269472099399]
  本稿では、深層学習に基づくスタックトレースの類似性を計算する最初のアプローチであるS3Mを紹介します。 BiLSTMエンコーダと、類似性を計算するための完全接続型分類器をベースとしている。 私たちの実験は、オープンソースデータとプライベートなJetBrainsデータセットの両方において、最先端のアプローチの優位性を示しています。
  論文  参考訳（メタデータ） (2021-03-18T21:10:41Z)

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。