論文の概要: Characterizing Real-World Bugs in Tile Programs for Automated Bug Detection

• arxiv url: http://arxiv.org/abs/2605.19652v1
• Date: Tue, 19 May 2026 10:42:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.284355
• Title: Characterizing Real-World Bugs in Tile Programs for Automated Bug Detection
• Title（参考訳）: 自動バグ検出のためのタイルプログラムにおける実世界のバグの特徴付け
• Abstract要約: タイルベースのプログラミングフレームワークは、ディープラーニングや科学計算などの領域で高性能なGPUカーネルを書くために、ますます採用されている。 コンパイルパイプラインには、入力フォーム、データタイプ、バックエンドターゲットと密結合された、異なるコード生成バグが導入されている。 本稿では,タイルプログラムによるコード生成バグの最初の系統的研究について述べる。
• 参考スコア（独自算出の注目度）: 12.913491087289117
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tile-based programming frameworks are increasingly adopted to write high-performance GPU kernels in domains such as deep learning and scientific computing. While these frameworks enhance productivity and hardware utilization, their multi-stage compilation pipelines introduce distinct code generation bugs that are tightly coupled to input shapes, data types, and backend targets. These bugs often manifest as silent correctness or performance issues, making them difficult to detect using existing compiler testing tools. Additionally, the unique programming conventions of tile domain-specific languages complicate root cause identification, while fixing such bugs demands specialized knowledge of tile abstractions and compilation pipelines. Despite the growing adoption of tile-based systems, their code generation bugs remain largely unexplored. This paper presents the first systematic study of tile-program code generation bugs. We curate 401 bug reports from GitHub and identify 301 tile-program codegen bugs for analysis, categorizing the root causes, symptoms, input patterns, test oracles that trigger these bugs, and the strategies used to fix bugs. Our study provides foundational insights for building debugging, testing, and repair tools tailored to tile-based compiler infrastructures.
• Abstract（参考訳）: タイルベースのプログラミングフレームワークは、ディープラーニングや科学計算などの領域で高性能なGPUカーネルを書くために、ますます採用されている。 これらのフレームワークは生産性とハードウェア利用を向上する一方で、多段階のコンパイルパイプラインでは、入力フォームやデータタイプ、バックエンドターゲットと密結合したコード生成バグが導入されている。 これらのバグは、しばしばサイレントな正当性やパフォーマンス上の問題として現れ、既存のコンパイラテストツールを使用することで検出が困難になる。 さらに、タイルドメイン固有の言語のユニークなプログラミング規約は、ルート原因の特定を複雑にし、そのようなバグを修正するには、タイルの抽象化とコンパイルパイプラインに関する専門知識が必要である。 タイルベースのシステムの普及にもかかわらず、コード生成のバグはほとんど未調査のままである。 本稿では,タイルプログラムによるコード生成バグの最初の系統的研究について述べる。 GitHubから401のバグレポートをキュレートし、分析のために301のタイルプログラムのコーダーバグを特定し、根本原因、症状、入力パターン、これらのバグをトリガーするテストオーラクル、バグの修正に使用される戦略を分類します。 私たちの研究は、タイルベースのコンパイラインフラに適したデバッグ、テスト、修復ツールを構築するための基礎的な洞察を提供する。

関連論文リスト

• Anchored Self-Play for Code Repair [68.0728003844994]
  コード修復は言語モデル(LM)の重要な機能である 本稿では,1つのモデルを強化学習で訓練し,バグを生成して修正する__generator--fixer self-play__を提案する。 BugSourceBenchでは、セルフプレイは難しいが非現実的なバグへと向かっている。 本稿では,参照バグの生成と混合のためのコード埋め込み型類似性報酬をフィクスチャトレーニングに付加することにより,小さな参照セットでセルフプレイをアンロックするAnchored Self-Play (ASP)を提案する。
  論文  参考訳（メタデータ） (2026-07-03T17:51:52Z)
• Understanding Typing-Related Bugs in Solidity Compiler [20.643091052140118]
  本稿では,Solidityコンパイラにおけるタイピング関連バグに関する最初の系統的研究について述べる。 それぞれのバグについて,症状,根本原因,露出条件,修正戦略の4次元から詳細な分析と分類を行った。
  論文  参考訳（メタデータ） (2025-12-20T02:37:10Z)
• CrashFixer: A crash resolution agent for the Linux kernel [58.152358195983155]
  この作業は、システムレベルのLinuxカーネルバグのベンチマークと、Linuxカーネルで実験を実行するプラットフォームを共有するkGymの上に構築されている。 CrashFixerはLinuxカーネルのバグに適応する最初のLCMベースのソフトウェア修復エージェントである。
  論文  参考訳（メタデータ） (2025-04-29T04:18:51Z)
• GitBugs: Bug Reports for Duplicate Detection, Retrieval Augmented Generation, and More [0.0]
  GitBugsは、9つのアクティブにメンテナンスされているオープンソースプロジェクトからの15万以上のバグレポートからなる、包括的で最新のデータセットである。 GitBugsはGithub、Bugzilla、Jiraのイシュートラッカからのデータを集約し、分類タスクの標準化されたカテゴリフィールドを提供する。 探索分析ノートや、重複率や分解時間などの詳細なプロジェクトレベルの統計情報が含まれている。
  論文  参考訳（メタデータ） (2025-04-13T16:55:28Z)
• Leveraging Data Characteristics for Bug Localization in Deep Learning Programs [21.563130049562357]
  本稿では,Deep Learning (DL)プログラムにおける構造的バグの検出とローカライズを行うTheiaを提案する。 Theiaは40のバグギープログラムにおいて57/75のバグをローカライズすることに成功しているのに対し,NeuraLintは17/75のバグをローカライズする前に構造バグをローカライズできる最先端のアプローチである。
  論文  参考訳（メタデータ） (2024-12-08T01:52:06Z)
• KGym: A Platform and Dataset to Benchmark Large Language Models on Linux Kernel Crash Resolution [59.20933707301566]
  大規模言語モデル(LLM)は、ますます現実的なソフトウェア工学(SE)タスクにおいて一貫して改善されている。 現実世界のソフトウェアスタックでは、Linuxカーネルのような基本的なシステムソフトウェアの開発にSEの取り組みが費やされています。 このような大規模システムレベルのソフトウェアを開発する際にMLモデルが有用かどうかを評価するため、kGymとkBenchを紹介する。
  論文  参考訳（メタデータ） (2024-07-02T21:44:22Z)
• VeriBug: An Attention-based Framework for Bug-Localization in Hardware Designs [2.807347337531008]
  近年,様々な用途を対象としたSystem-on-Chip設計の規模と複雑さが指数関数的に増大している。 これらのシステムにおける未検出バグのコストは、従来のプロセッサシステムよりもはるかに高い。 本稿では,近年のディープラーニングの進歩を活用してレジスタ・トランスファーレベルのデバッグを高速化するVeriBugを提案し,根本原因の可能性のある説明を生成する。
  論文  参考訳（メタデータ） (2024-01-17T01:33:37Z)
• 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)
• Challenging Bug Prediction and Repair Models with Synthetic Bugs [7.285779914390472]
  BugFarmは任意のコードを複数の複雑なバグに変換する。 BUGFARMが生成した1.9万以上の変異株から435k以上のバグを総合的に評価する。
  論文  参考訳（メタデータ） (2023-10-03T20:01:51Z)
• 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)
• BigIssue: A Realistic Bug Localization Benchmark [89.8240118116093]
  BigIssueは、現実的なバグローカライゼーションのためのベンチマークである。 実際のJavaバグと合成Javaバグの多様性を備えた一般的なベンチマークを提供する。 われわれは,バグローカライゼーションの最先端技術として,APRの性能向上と,現代の開発サイクルへの適用性の向上を期待している。
  論文  参考訳（メタデータ） (2022-07-21T20:17:53Z)

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。