論文の概要: Bug Localization from Bug Reports: A Multi-Objective Approach
- arxiv url: http://arxiv.org/abs/2608.27089v1
- Date: Thu, 27 Aug 2026 13:11:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.410359
- Title: Bug Localization from Bug Reports: A Multi-Objective Approach
- Title（参考訳）: バグレポートからのバグローカライゼーション:多目的アプローチ
- Abstract要約: 本稿では,バグレポートから潜在的なバグのあるクラスを識別・ランク付けするクラスレベルの自動多目的検索システムを提案する。
主な目的は、提案された欠陥ファイルの数を最小化しながら、類似性を最大化することである。
その結果,SPEA-2は多目的ベースライン法と単目的ベースライン法より精度が高く,リコール率も高いことがわかった。
- 参考スコア（独自算出の注目度）: 1.338174941551702
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bug localization is a labor-intensive task, particularly in large software systems. When abnormal behavior occurs, developers must perform repetitive and time-consuming steps to identify faulty files. Previous studies have mainly focused on single-objective localization methods, many of which are limited to specific programming languages. In addition, relying solely on lexical similarity between source code and bug reports is often insufficient due to the natural language nature of bug descriptions. In this study, we propose a class-level automated multi-objective search-based system to identify and rank potentially buggy classes from bug reports. The main objective is to maximize similarity while minimizing the number of suggested faulty files. The evolutionary optimization algorithm SPEA-2 was applied to six open-source Java projects comprising more than 22,000 bug reports. The proposed approach was evaluated against two widely used algorithms, NSGA-II and MOEA/D. Results indicate that SPEA-2 achieved higher precision and recall than both multi-objective and single-objective baseline methods. The proposed recommender system successfully identified buggy classes or files for 88.5\% of bug reports within the top 10 recommendations and 94\% within the top 20. The effectiveness of the model was further validated on an industrial Android project written in Kotlin, demonstrating its adaptability across programming languages.
- Abstract（参考訳）: バグローカライゼーションは特に大規模ソフトウェアシステムにおいて、労働集約的なタスクである。
異常な振る舞いが発生した場合、開発者は、欠陥のあるファイルを特定するために繰り返し、時間を要するステップを実行しなければなりません。
これまでの研究は主に単一目的のローカライズ手法に重点を置いてきたが、その多くが特定のプログラミング言語に限定されている。
さらに、ソースコードとバグレポートの語彙的類似性のみに依存することは、バグ記述の自然言語的性質のため、しばしば不十分である。
本研究では,バグレポートから潜在的なバグのあるクラスを識別・ランク付けするクラスレベルの自動多目的検索システムを提案する。
主な目的は、提案された欠陥ファイルの数を最小化しながら、類似性を最大化することである。
進化的最適化アルゴリズムSPEA-2は、22,000以上のバグレポートを含む6つのオープンソースプロジェクトに適用された。
提案手法は、NSGA-II と MOEA/D の2つの広く使われているアルゴリズムに対して評価された。
その結果,SPEA-2は多目的ベースライン法と単目的ベースライン法より精度が高く,リコール率も高いことがわかった。
提案されたレコメンデーションシステムは、トップ10のレコメンデーションで88.5 %、トップ20のレコメンデーションで94 %のバグレポートを識別することに成功した。
モデルの有効性は、Kotlinで記述されたインダストリアルAndroidプロジェクトでさらに検証された。
関連論文リスト
- An Extensive Replication Study of the ABLoTS Approach for Bug Localization [47.89260192608388]
ABLoTSは、バグの多いソースコードスニペットを将来性のある結果で識別するためのIRBLアプローチである。
このアプローチの再現性について、元のデータセットと2つの拡張データセットを用いて検討する。
ABLoTSのコアであるTraceScoreコンポーネントは、拡張データセットで同等あるいはそれ以上の結果を生成する。
論文 参考訳（メタデータ） (2026-05-12T08:54:13Z) - Identifying Concurrency Bug Reports via Linguistic Patterns [5.794959117360381]
本稿では,バグ報告を自動的に識別する言語パターンに基づくフレームワークを提案する。
730件のバグレポートから58件の言語パターンを抽出した。
我々は,従来の機械学習,大規模言語モデル,事前学習された言語モデルにおいて,マッチング,学習,プロンプトベース,微調整の4つの補完的アプローチを評価する。
論文 参考訳（メタデータ） (2026-01-22T21:54:14Z) - SWE-Compass: Towards Unified Evaluation of Agentic Coding Abilities for Large Language Models [59.90381306452982]
ソフトウェアエンジニアリングのための大規模言語モデル(LLM)の評価は、タスクカバレッジの狭さ、言語バイアス、現実世界の開発者との整合性の不足によって制限されている。
SWE-1は、不均一なコード関連評価を構造化および生産整合性のあるフレームワークに統合する包括的なベンチマークである。
SWE-は8つのタスクタイプ、8つのプログラミングシナリオ、10のプログラミング言語にまたがる。
論文 参考訳（メタデータ） (2025-11-07T18:01:32Z) - VisCoder2: Building Multi-Language Visualization Coding Agents [63.63232038173407]
可視化符号化エージェントを進化させるための3つの相補的なリソースを紹介する。
VisCoder2は、強力なオープンソースベースラインを著しく上回り、プロプライエタリなモデルのパフォーマンスにアプローチする。
論文 参考訳（メタデータ） (2025-10-24T18:03:57Z) - 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) - Learning Software Bug Reports: A Systematic Literature Review [4.019641745947759]
機械学習(ML)は、バグレポートからの情報の理解、抽出、相関を自動化することを目的としている。
その重要性は増しているが、この地域では包括的なレビューは行われていない。
本稿では,1,825件の論文を網羅した体系的な文献レビューを行い,詳細な分析のために204件を選択した。
論文 参考訳（メタデータ） (2025-07-06T15:17:59Z) - Automated Bug Report Prioritization in Large Open-Source Projects [3.9134031118910264]
本稿では,バグレポートの自然言語テキストに基づく自動バグ優先順位付け手法を提案する。
我々は、TopicMiner-MTMと呼ばれるLDAの変種を用いてトピックモデリングを行い、BERT大言語モデルを用いてテキスト分類を行う。
Eclipse Platformプロジェクトの85,156のバグレポートを含む既存のリファレンスデータセットを用いた実験結果から、バグレポートの優先度予測の正確性、正確性、リコール、F1測定の点で、既存のアプローチよりも優れています。
論文 参考訳（メタデータ） (2025-04-22T13:57:48Z) - Automated Duplicate Bug Report Detection in Large Open Bug Repositories [3.481985817302898]
大規模なオープンソースプロジェクトのユーザやコントリビュータは,問題追跡システムにソフトウェア欠陥や拡張要求(バグレポートとして知られる)を報告している。
オープンバグレポジトリにおける重複バグレポートを自動的に検出する機械学習手法に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2025-04-21T01:55:54Z) - BLAZE: Cross-Language and Cross-Project Bug Localization via Dynamic Chunking and Hard Example Learning [1.9854146581797698]
BLAZEは動的チャンキングとハードサンプル学習を採用するアプローチである。
プロジェクト横断と言語横断のバグローカライゼーションを強化するために、難しいバグケースを使用してGPTベースのモデルを微調整する。
BLAZEは、トップ1の精度で120%、平均平均精度(MAP)で144%、平均相互ランク(MRR)で100%上昇する。
論文 参考訳（メタデータ） (2024-07-24T20:44:36Z) - Teaching Large Language Models to Self-Debug [62.424077000154945]
大規模言語モデル(LLM)は、コード生成において素晴らしいパフォーマンスを達成した。
本稿では,大規模言語モデルで予測プログラムを数発のデモでデバッグする自己デバッグを提案する。
論文 参考訳（メタデータ） (2023-04-11T10:43:43Z) - 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。