論文の概要: XRFix: Exploring Performance Bug Repair of Extended Reality Applications with Large Language Models

• arxiv url: http://arxiv.org/abs/2608.21718v1
• Date: Sat, 22 Aug 2026 01:48:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 18:24:36.918669
• Title: XRFix: Exploring Performance Bug Repair of Extended Reality Applications with Large Language Models
• Title（参考訳）: XRFix: 大規模言語モデルによる拡張現実感アプリケーションのパフォーマンスバグ修復
• Abstract要約: 本稿では,オープンソースのXRプログラムの性能問題を修正するために,新しい大規模言語モデルベースのフレームワークであるXRFixを提案する。 まず,実世界の104個のバグを含むXR関連バグのデータセットを用いて,ドメイン固有のパフォーマンスバグのコーパスを構築した。 次に、C#スクリプトとアセットファイルの両方のバグを正確に検出する2つの静的解析ツールを調整します。
• 参考スコア（独自算出の注目度）: 40.41623447116937
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As an emerging technology, Extended Reality provides end-users with an immersive experience of interacting with virtual and physical environments. Unlike traditional software, the execution of XR applications involves more computationally complex operations, such as 3D scene rendering, real-time animation, and process simulations. Inefficient coding practices during the software development of XR applications may cause various performance bugs, degrading user experience and even causing motion sickness. Thus, it is an urgent need to develop an automated program repair framework for fixing performance bugs in complex XR programs. However, it is non-trivial to achieve this goal due to several technical challenges: (1) a lack of a real-world XR codebase and bug dataset, (2) no accurate bug detection tool, and (3) no effective bug-fixing tool designed for XR performance bugs. To tackle these challenges, we present a novel large language model-based framework, namely XRFix, to repair performance bugs for open-source XR programs. We first construct a corpus of domain-specific performance bugs built with a codebase from 23 open-source XR projects and a dataset of XR-related bugs containing 104 real-world bugs. Then, we tailor two static analysis tools for accurately detecting bugs in both C# scripts and asset files. Last, we design different prompts to instruct LLMs to fix XR bugs in three types of bug scenarios with different complexities, i.e., single-line level, function level, and class level. We conduct extensive experiments on five off-the-shelf LLMs to evaluate the bug-fixing performance of XRFix. We also compare our XRFix with three SOTA APR approaches. Through static analysis, reference answer comparison, and manual inspection, we demonstrate that our XRFix can effectively fix XR bugs, outperforming SOTA APR methods.
• Abstract（参考訳）: 新たなテクノロジとして、Extended Realityは、仮想環境と物理的環境を対話する没入的な体験をエンドユーザに提供する。 従来のソフトウェアとは異なり、XRアプリケーションの実行には3Dシーンレンダリング、リアルタイムアニメーション、プロセスシミュレーションなど、より複雑な処理が含まれる。 XRアプリケーションのソフトウェア開発における非効率なコーディングプラクティスは、様々なパフォーマンスバグを引き起こし、ユーザエクスペリエンスを低下させ、さらには運動障害を引き起こす可能性がある。 したがって、複雑なXRプログラムのパフォーマンスバグを修正するための自動プログラム修復フレームワークを開発する必要がある。 しかし、(1)現実世界のXRコードベースとバグデータセットの欠如、(2)正確なバグ検出ツールの欠如、(3)XRパフォーマンスバグのために設計された効果的なバグ修正ツールの欠如など、いくつかの技術的課題のためにこの目標を達成するのは簡単ではない。 これらの課題に対処するために、オープンソースのXRプログラムのパフォーマンスバグを修正するために、XRFixと呼ばれる新しい大規模言語モデルベースのフレームワークを提案する。 まず,23のオープンソースXRプロジェクトのコードベースと,104の実際のバグを含むXR関連バグのデータセットを用いて,ドメイン固有のパフォーマンスバグのコーパスを構築した。 次に、C#スクリプトとアセットファイルの両方のバグを正確に検出する2つの静的解析ツールを調整します。 最後に、単一ラインレベル、関数レベル、クラスレベルという3つの異なる複雑さを持つ3種類のバグシナリオで、XRバグを修正するようLLMに指示する異なるプロンプトを設計する。 我々は,XRFix のバグフィックス性能を評価するために,市販の5つの LLM について広範な実験を行った。 また、XRFixを3つのSOTA APRアプローチと比較する。 静的解析,参照応答比較,手動検査により,我々のXRFixはXRバグを効果的に修正し,SOTA APR法より優れていることを示す。

関連論文リスト

• Beyond Fail-to-Pass: Iterative Hardening of Co-Generated Bug Reproduction Tests and Fixes [55.114939648705395]
  大規模言語モデル(LLM)は、現実のバグに対して、プログラムの自動修正をますます実用的にしている。 バグ再現テスト(BRT)は、バグレポートを実行可能なバグ固有の信号に変換することで、このギャップを埋めるのに役立つ。 本稿では,ループ内収束基準としてLax信号を用いるコジェネレーションフレームワークであるCoHardenを提案する。
  論文  参考訳（メタデータ） (2026-07-22T07:30:07Z)
• 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)
• Characterizing and Mitigating False-Positive Bug Reports in the Linux Kernel [14.987479226824023]
  本研究は,Linuxカーネルにおける偽陽性バグレポートの総合的研究である。 我々はBugzillaとSyzkallerから収集された1,509の真正のバグと497の偽陽性を含む2,006のバグレポートのデータセットを手作業で構築する。 検索強化世代(RAG)は、様々なプロンプト戦略の中で、91%のリコールと88%のF1スコアを達成した。
  論文  参考訳（メタデータ） (2026-05-08T12:48:36Z)
• Specification Vibing for Automated Program Repair [8.68148153927532]
  VibeRepairは仕様中心のAPR技術で、修正をアドホックなコード編集ではなく、行動特化修復として扱う。 Defects4J v1.2では、VibeRepairが174のバグを正しく修復し、最先端のベースラインを28のバグで越えている。 Defects4J v2.0では、178のバグを修復し、33のバグによる以前のアプローチよりも優れ、23%の改善を示している。
  論文  参考訳（メタデータ） (2026-02-09T04:44:58Z)
• 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)
• Repair Ingredients Are All You Need: Improving Large Language Model-Based Program Repair via Repair Ingredients Search [41.50068103527948]
  ReinFixは、バグ修正の推論と解決フェーズを通じて、修復材料を検索するフレームワークである。 ソリューションフェーズでは、ReinFixは、同様のバグパターンで過去のバグ修正から外部の要素を検索する。 2つの人気のあるベンチマークによる評価は、SOTAベースラインに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2025-06-29T06:02:11Z)
• 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)
• RAP-Gen: Retrieval-Augmented Patch Generation with CodeT5 for Automatic Program Repair [75.40584530380589]
  新たな検索型パッチ生成フレームワーク(RAP-Gen)を提案する。 RAP-Gen 以前のバグ修正ペアのリストから取得した関連する修正パターンを明示的に活用する。 RAP-GenをJavaScriptのTFixベンチマークとJavaのCode RefinementとDefects4Jベンチマークの2つのプログラミング言語で評価する。
  論文  参考訳（メタデータ） (2023-09-12T08:52:56Z)
• 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。