論文の概要: Confident Learning-based Network for Detecting Bug-Inducing Commits on SZZ with Noisy Labels

• arxiv url: http://arxiv.org/abs/2605.27880v1
• Date: Wed, 27 May 2026 03:04:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.70038
• Title: Confident Learning-based Network for Detecting Bug-Inducing Commits on SZZ with Noisy Labels
• Title（参考訳）: 雑音ラベルを用いたSZZ上のバグ発生コミュニティ検出のための信頼度学習型ネットワーク
• Authors: Weihao Sun, Qiyun Zhao,
• Abstract要約: BIC- Hunter (Bug-Inducing Commits Hunter) モデルを提案する。 データノイズを軽減し、セマンティック理解を改善し、バグ誘発コミット識別の精度を高める。 3つのオープンソースデータセットから統合された大規模なデータセットに関する実験的研究は、BIC-ハンターが優れたパフォーマンスを示すことを示している。
• 参考スコア（独自算出の注目度）: 0.8947454818612024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Just-In-Time (JIT) defect prediction model serves as a critical tool for ensuring the quality of software development and enhancing software performance. It assists development teams in promptly identifying and addressing potential issues by predicting whether code submissions may introduce defects. However, due to the existence of data noise and insufficient semantic connections in real-world scenarios, existing approaches face challenges in accurately identifying the code commits that introduce defects and capturing the potential semantic relationships. To address these challenges, we propose the BIC- Hunter(Bug-Inducing Commits Hunter) model, which mitigates data noise and improves semantic understanding, thereby enhancing the accuracy of bug-inducing commit identification. BIC - Hunter model consists of two components: a data denoising component and a semantic relationship capturing component. Specifically, the data denoising component addresses the challenges posed by inaccurate annotations and inconsistencies in real-world data, enhancing the reliability of training data and improving overall model robustness. The semantic relation- ship capturing component constructs homogeneous graphs and applies graph convolutional networks to facilitate a more comprehensive analysis of code context, enabling the identification of defects caused by code commits and enhancing the confidence in pinpointing their root causes. Experimental studies on a large-scale dataset integrated from three open-source datasets show that BIC- Hunter exhibits outstanding performance. BIC- Hunter outperforms the state-of-the-art by 6.16%, 7.13%, and 5.53% on Recall@1, Recall@2, and Recall@3, respectively, while the MFR index increases by 8.43% to 32.82%. These results demonstrate the superior capability of our method in identifying bug-inducing commits.
• Abstract（参考訳）: Just-In-Time(JIT)の欠陥予測モデルは、ソフトウェア開発の品質を保証し、ソフトウェアのパフォーマンスを向上するための重要なツールである。 コード提出が欠陥をもたらす可能性を予測することによって、開発チームが潜在的な問題を特定し、対処するのに役立つ。 しかし、実際のシナリオにおけるデータノイズやセマンティック接続が不十分なため、既存のアプローチでは、欠陥を導入して潜在的なセマンティック関係をキャプチャするコードコミットを正確に識別する上で、課題に直面している。 これらの課題に対処するため,BIC- Hunter(Bug-Inducing Commits Hunter)モデルを提案する。 BIC - Hunterモデルは2つのコンポーネントで構成されている。 具体的には、実際のデータにおける不正確なアノテーションや不整合によって引き起こされる課題に対処し、トレーニングデータの信頼性を高め、全体的なモデルの堅牢性を向上させる。 セマンティックリレーションシップキャプチャーコンポーネントは、同質なグラフを構成し、コードコンテキストのより包括的な分析を容易にするためにグラフ畳み込みネットワークを適用し、コードコミットによる欠陥の識別を可能にし、根本原因の特定に対する信頼性を高める。 3つのオープンソースデータセットから統合された大規模なデータセットに関する実験的研究は、BIC-ハンターが優れたパフォーマンスを示すことを示している。 BIC-ハンターは、それぞれRecall@1、Recall@2、Recall@3で6.16%、7.13%、そして5.53%、MFR指数は8.43%上昇して32.82%となっている。 これらの結果は,バグ発生コミットの同定において,本手法が優れていることを示す。

関連論文リスト

• Evian: Towards Explainable Visual Instruction-tuning Data Auditing [14.93566912726999]
  本稿では,モデル応答を構成的認知要素に分解する「分解的評価」パラダイムを提案する。 このパラダイムを、画像テキスト一貫性、論理コヒーレンス、ファクチュアル正確性の軸に沿ってこれらのコンポーネントを評価する自動化フレームワークであるEVIANを介してインスタンス化する。
  論文  参考訳（メタデータ） (2026-04-22T13:28:27Z)
• 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)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Detecting the Root Cause Code Lines in Bug-Fixing Commits by Heterogeneous Graph Learning [1.5213722322518697]
  自動欠陥予測ツールは、ソフトウェアプロジェクト内の欠陥に起因するソフトウェア変更を積極的に識別することができる。 異質で複雑なソフトウェアプロジェクトにおける既存の作業は、異質なコミット構造に苦労したり、コード変更におけるクロスライン依存関係を無視したりといった課題に直面し続けている。 本稿では,バグフィックスグラフ構築コンポーネント,コードセマンティックアグリゲーションコンポーネント,クロスラインセマンティック保持コンポーネントの3つの主要コンポーネントからなるRC_Detectorというアプローチを提案する。
  論文  参考訳（メタデータ） (2025-05-02T05:39:50Z)
• Identifying Root Cause of bugs by Capturing Changed Code Lines with Relational Graph Neural Networks [7.676213873923721]
  本稿では,変化したコード行中のルート原因削除線を検出するRC検出法を提案する。 RC検出は、変更されたコード行中のルート原因の削除線を検出し、バグ修正コミットで導入されたバグの根本原因を特定するために使用される。 実験の結果,最も先進的な根本原因検出法と比較して,RC-detectionはRecall@1,Recall@2,Recall@3,MFRをそれぞれ4.107%,5.113%,4.289%,24.536%改善した。
  論文  参考訳（メタデータ） (2025-05-02T04:29:09Z)
• Combating Bilateral Edge Noise for Robust Link Prediction [56.43882298843564]
  本稿では,RGIB(Robust Graph Information Bottleneck)という情報理論の原則を提案し,信頼性の高い監視信号を抽出し,表現の崩壊を回避する。 RGIB-SSLとRGIB-REPの2つのインスタンス化は、異なる手法の利点を活用するために検討されている。 6つのデータセットと3つのGNNの様々なノイズシナリオによる実験は、我々のRGIBインスタンスの有効性を検証する。
  論文  参考訳（メタデータ） (2023-11-02T12:47:49Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)

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。