論文の概要: A Heuristic Approach to Localize CSS Properties for Responsive Layout Failures

• arxiv url: http://arxiv.org/abs/2605.25476v1
• Date: Mon, 25 May 2026 06:30:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.35176
• Title: A Heuristic Approach to Localize CSS Properties for Responsive Layout Failures
• Title（参考訳）: 応答性レイアウト障害に対するCSS特性の局所化のためのヒューリスティックアプローチ
• Authors: Tasmia Zerin, B M Mainul Hossain, Kazi Sakib,
• Abstract要約: 開発者が通常手動でローカライズする特定のCSSプロパティを特定するアプローチを提案する。 このツールは45.2%(Top-1)から92.86%(Top-7)まで、MSRは76%、P@3は77.13%であった。
• 参考スコア（独自算出の注目度）: 0.5798758080057375
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Responsive Layout Failures (RLFs) typically arise from CSS properties that hinder proper layout behavior in different screen sizes. To find an accurate and effective solution for repairing RLFs, localization of those problematic properties is necessary. However, existing approaches only detect RLFs and apply broad CSS patches for them. The patches alter the entire layout without localizing the root cause of failure. To address this gap, we propose a heuristic approach to identify the specific CSS properties that developers would typically localize manually. The approach first detects the RLFs existing in a webpage and their affected elements. Next, it localizes the nearby HTML elements using RLF direction and relative alignment of the elements present in the RLF region. The involved CSS properties of those elements are then identified using a ranked search set of CSS properties, created by analyzing Quora and Stack Overflow queries. Finally, elements and their corresponding property pairs are ranked based on their impact on RLFs. We have implemented this approach into a tool called {\normalfont \textsc{LocaliCSS}} and evaluated it on a set of webpages using Top N Rank, MRR and P@K metrics. The tool achieved localization accuracy ranging from 45.2% (Top-1) to 92.86% (Top-7), with an MRR of 76% and a P@3 of 77.13%. Additionally, experienced front-end engineers manually localized the RLFs as part of our evaluation. Their preferred CSS properties matched the suggestions from our approach in 42.86% of cases for Top-1 rankings and up to 90.48% for Top-7 rankings.
• Abstract（参考訳）: RLF(Responsive Layout Failures)は、通常、異なる画面サイズでの適切なレイアウト動作を妨げるCSSプロパティから生じる。 RLFの修復に有効な解を見つけるためには, 問題のある性質の局所化が必要である。 しかし、既存のアプローチはRLFのみを検出し、それらに広範なCSSパッチを適用する。 パッチは、障害の根本原因を特定せずに、レイアウト全体を変更します。 このギャップに対処するために、開発者が通常手動でローカライズする特定のCSSプロパティを特定するためのヒューリスティックなアプローチを提案する。 このアプローチはまず、Webページに存在するRLFとその影響要素を検出する。 次に、 RLF 方向と RLF 領域に存在する要素の相対アライメントを用いて、近くの HTML 要素をローカライズする。 これらの要素のCSSプロパティは、QuoraとStack Overflowクエリを解析して生成されるCSSプロパティのランク付けされた検索セットを使用して識別される。 最後に、要素とその対応するプロパティペアは、RLFへの影響に基づいてランク付けされる。 我々は、この手法を {\normalfont \textsc{LocaliCSS}} と呼ばれるツールに実装し、Top N Rank, MRR, P@Kのメトリクスを用いて、一連のWebページ上で評価した。 このツールは45.2%(Top-1)から92.86%(Top-7)まで、MSRは76%、P@3は77.13%であった。 さらに、経験豊富なフロントエンドエンジニアは、評価の一部としてRDFを手動でローカライズしました。 彼らの好みのCSSプロパティは、トップ1ランキングの42.86%、トップ7ランキングの90.48%のケースで私たちのアプローチと一致した。

関連論文リスト

• RGFL: Reasoning Guided Fault Localization for Automated Program Repair Using Large Language Models [1.9196411948992402]
  本稿では,ファイルレベルのローカライゼーションと要素レベルのローカライゼーションを改善するプロジェクトレベルのFL手法を提案する。 SWE-bench Verified、Lite、JavaからPythonとJavaプロジェクトのアプローチを評価します。
  論文  参考訳（メタデータ） (2026-01-25T23:41:42Z)
• MapReduce LoRA: Advancing the Pareto Front in Multi-Preference Optimization for Generative Models [52.32146943039743]
  人間のフィードバックからの強化学習は、生成モデルと人間の美学と知覚的嗜好を高度に一致させる。 MapReduce LoRA と Reward-aware Token Embedding (RaTE) の2つの補完手法を紹介する。 我々のフレームワークは、モダリティにまたがる新しい最先端のマルチ参照アライメントのレシピを定めている。
  論文  参考訳（メタデータ） (2025-11-25T18:49:21Z)
• Repairing Responsive Layout Failures Using Retrieval Augmented Generation [1.0616273526777913]
  応答性レイアウト障害 (Responsive Layout Failures, RLF) という,特定の画面サイズでレイアウトが歪んだ場合が多い。 本研究では,LLMとドメイン固有知識を組み合わせた自動修復手法を提案する。 このアプローチは、Retrieval-Augmented Generation(RAG)ベースのソリューションであるReDeFixという名前で、Stack Overflow(SO)の議論を利用して、LCMのCSS修復をガイドする。
  論文  参考訳（メタデータ） (2025-11-01T19:41:20Z)
• RankFeat&RankWeight: Rank-1 Feature/Weight Removal for Out-of-distribution Detection [66.27699658243391]
  textttRankFeatは、OOD検出のためのシンプルだが効果的なEmphposthocアプローチである。 textttRankWeight は emphpost hoc で、 rank-1 行列を一度だけ計算する必要がある。 textttRankFeatは、最先端のパフォーマンスを実現し、平均偽陽性率(FPR95)を17.90%削減する。
  論文  参考訳（メタデータ） (2023-11-23T12:17:45Z)
• DETR Doesn't Need Multi-Scale or Locality Design [69.56292005230185]
  本稿では,"プレーン"特性を維持できる改良型DETR検出器を提案する。 特定の局所性制約を伴わずに、単一スケールの機能マップとグローバルなクロスアテンション計算を使用する。 マルチスケールな特徴マップと局所性制約の欠如を補うために,2つの単純な技術が平易な設計において驚くほど効果的であることを示す。
  論文  参考訳（メタデータ） (2023-08-03T17:59:04Z)
• RLocator: Reinforcement Learning for Bug Localization [1.9854146581797698]
  強化学習に基づくバグローカライゼーション手法であるRLocatorを提案する。 6つの人気のあるApacheプロジェクトからの8,316のバグレポートのベンチマークデータセットに基づいて、実験的に評価した。 RLocatorは平均相互ランク(MRR)が0.62、平均精度(MAP)が0.59、トップ1スコアが0.46となる。
  論文  参考訳（メタデータ） (2023-05-09T16:19:33Z)
• Pruning Networks with Cross-Layer Ranking & k-Reciprocal Nearest Filters [151.2423480789271]
  フィルタレベルのネットワークプルーニングには,CLR-RNFと呼ばれる新しいプルーニング法が提案されている。 我々は,CIFAR-10 と ImageNet で画像分類を行い,CLR-RNF が最先端技術よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-15T04:53:24Z)
• Rethinking Localization Map: Towards Accurate Object Perception with Self-Enhancement Maps [78.2581910688094]
  本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。 特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
  論文  参考訳（メタデータ） (2020-06-09T12:35:55Z)
• HRank: Filter Pruning using High-Rank Feature Map [149.86903824840752]
  我々は高階特徴写像(HRank)を探索する新しいフィルタ刈り法を提案する。 私たちのHRankは、単一のフィルタで生成された複数の特徴マップの平均ランクが常に同じであるという発見にインスピレーションを受けています。 HRankに基づいて,低ランク特徴写像を持つプーンフィルタに数学的に定式化する手法を開発した。
  論文  参考訳（メタデータ） (2020-02-24T11:50:09Z)

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。