論文の概要: TianoForge: An Automated Bug Triage Approach for the TianoCore UEFI Firmware Development Community
- arxiv url: http://arxiv.org/abs/2608.23259v1
- Date: Mon, 24 Aug 2026 13:49:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:44.12336
- Title: TianoForge: An Automated Bug Triage Approach for the TianoCore UEFI Firmware Development Community
- Title（参考訳）: TianoForge: TianoCore UEFIファームウェア開発コミュニティのための自動バグトレージアプローチ
- Abstract要約: 本稿では,TianoCoreオープンソースUEFIファームウェア開発エコシステムにおけるバグトリアージの新たなアプローチを提案する。
これには、無効なバグレポートの検出、重複するバグレポートの検出、バグレポートの優先順位付け、バグレポートの割り当てが含まれる。
我々は、これらのタスクを自動化するために、検索拡張生成(RAG)を伴わない様々な生成事前学習変換(GPT)大規模言語モデル(LLM)を用いる。
- 参考スコア（独自算出の注目度）: 6.017963880006796
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a novel approach to bug triage in the TianoCore open-source UEFI firmware development ecosystem. This integrated approach, called TianoForge, deploys the state of the art in artificial intelligence, specifically machine learning, to enable automated bug triage. This includes invalid bug report detection, duplicate bug report detection, bug report prioritization, and bug report assignment. We use various Generative Pretrained Transformer (GPT) Large Language Models (LLMs) with and without Retrieval Augmented Generation (RAG) to automate these tasks. Given the crucial role of bug triage in software maintenance and the huge number of untriaged issues in the TianoCore community, in particular, their primary project, EDK II, we expect a significant impact on the efficiency of TianoCore software maintenance processes, primarily bug triage and resolution. Our experimental study shows that TianoForge reduces the average bug triage time from around 11 days to approximately 7 minutes, which is a 99.95% reduction.
- Abstract（参考訳）: 本稿では,TianoCoreオープンソースUEFIファームウェア開発エコシステムにおけるバグトリアージの新たなアプローチを提案する。
TianoForgeと呼ばれるこの統合アプローチは、人工知能の最先端、特に機械学習をデプロイして、自動バグトリアージを可能にする。
これには、無効なバグレポートの検出、重複するバグレポートの検出、バグレポートの優先順位付け、バグレポートの割り当てが含まれる。
我々は、これらのタスクを自動化するために、検索拡張生成(RAG)を伴わない様々な生成事前学習変換(GPT)大規模言語モデル(LLM)を用いる。
ソフトウェアメンテナンスにおけるバグトリアージの重要な役割と、TianoCoreコミュニティ、特に主要なプロジェクトであるEDK IIにおける膨大な未解決の問題を考えると、我々はTianoCoreソフトウェアメンテナンスプロセス、主にバグトリアージと解決の効率に大きな影響を与えることを期待しています。
実験の結果,TianoForgeは平均バグトリアージ時間を約11日から約7分に短縮し,99.95%削減した。
関連論文リスト
- Enhancing Bug Report Templates in the TianoCore UEFI Firmware Development Community [5.134750220344153]
我々は,TianoCoreオープンソースコミュニティが使用しているGitHub Issuesイシュートラッキングシステムにおいて,バグレポートテンプレートの強化を提案する。
バグリポジトリのデータを分析し、バグのトリアージや修正に役立つ情報のパターンを見つけます。
論文 参考訳（メタデータ） (2026-08-24T18:44:01Z) - TRIM: Reducing AI-Generated CodeSlop via Agent Trajectory Minimization [57.14479960309637]
コーディングエージェントは、多くの下流タスクでコード生成を加速するためにますます使われています。
その価値にもかかわらず、エージェント生成コードは、対応する人間による実装よりも大きく、冗長である傾向がある。
原因はエージェント自身の検索プロセスにあることを示す。
論文 参考訳（メタデータ） (2026-07-20T17:06:19Z) - 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) - Engineering Pitfalls in AI Coding Tools: An Empirical Study of Bugs in Claude Code, Codex, and Gemini CLI [14.169228579189989]
本稿では,AI支援コーディングツール構築における工学的落とし穴の実証的研究について述べる。
私たちは、GitHub上の3つのAI支援コーディングツールのオープンソースリポジトリにある3,8K以上の公開報告されたバグを分析するために、オープンソースコーディング手法を採用しています。
結果から,これらのツールのバグの67%以上が機能に関連していることが判明した。
論文 参考訳（メタデータ） (2026-03-21T15:05:23Z) - Outrunning LLM Cutoffs: A Live Kernel Crash Resolution Benchmark for All [57.23434868678603]
Live-kBenchは、新たに発見されたカーネルバグのエージェントをスクラップし、評価するセルフ進化ベンチマークの評価フレームワークである。
kEnvは、カーネルのコンパイル、実行、フィードバックのためのエージェントに依存しないクラッシュ解決環境である。
kEnvを用いて3つの最先端エージェントをベンチマークし、最初の試行で74%のクラッシュを解決したことを示す。
論文 参考訳（メタデータ） (2026-02-02T19:06:15Z) - 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) - 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) - Prompting Is All You Need: Automated Android Bug Replay with Large Language Models [28.69675481931385]
本稿では,バグ報告から迅速なエンジニアリングを通じてバグを自動的に再現する,新しい軽量なアプローチであるAdbGPTを提案する。
AdbGPTは、LLMから人間の知識と論理的推論を引き出すために、少数ショットの学習と連鎖推論を活用する。
この評価は,253.6秒で81.3%のバグレポートを再現するAdbGPTの有効性と有効性を示すものである。
論文 参考訳（メタデータ） (2023-06-03T03:03:52Z) - 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) - ADPTriage: Approximate Dynamic Programming for Bug Triage [0.0]
オンラインバグトリアージタスクのためのマルコフ決定プロセス(MDP)モデルを開発した。
私たちはADPTriageと呼ばれるADPベースのバグトリアージソリューションを提供しています。
以上の結果から, 代入精度と固定時間の観点から, ミオピックアプローチよりも有意な改善が見られた。
論文 参考訳（メタデータ） (2022-11-02T04:42:21Z) - DABT: A Dependency-aware Bug Triaging Method [0.0]
自然言語処理と整数を利用して,適切な開発者にバグを割り当てる,Dependency-aware Bug Triaging(DABT)と呼ばれるバグトリアージ手法を提案する。
その結果,DABTは過度なバグを最大12%まで減らすことができることがわかった。
また、バグの修正時間の平均を半減します。
論文 参考訳（メタデータ） (2021-04-26T17:35:42Z)
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。