論文の概要: Detecting Argument-Swap Bugs Using Context-Enhanced Code Representations
- arxiv url: http://arxiv.org/abs/2609.17844v1
- Date: Tue, 15 Sep 2026 21:03:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:53.54495
- Title: Detecting Argument-Swap Bugs Using Context-Enhanced Code Representations
- Title（参考訳）: 文脈拡張型コード表現を用いた引数スワップバグの検出
- Abstract要約: BugProbeは、Pythonメソッド呼び出しで誤って順序づけられた引数を検出するための学習ベースのアプローチである。
上位1,000のGitHubリポジトリから,新たに132,739のPythonソースファイルのデータセットを収集しました。
- 参考スコア（独自算出の注目度）: 1.565870461096057
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Names of source code elements convey rich semantic information and have been widely used in software engineering tasks such as bug detection, code completion, type prediction, and code classification. Prior studies exploit lexical similarity between method arguments and formal parameter names to detect bugs caused by incorrectly ordered arguments, typically relying on establishing mappings between method calls and their corresponding definitions. However, such mappings are often difficult to obtain in dynamically typed languages like Python. In this paper, we present BugProbe, a learning-based approach for detecting incorrectly ordered arguments in Python method calls that does not require call-to-definition mappings. Our approach leverages multiple sources of contextual information, including local context and argument usage context, and combines name-based similarity with machine learning to construct expressive representations of method arguments. We collect a new dataset of 132,739 Python source files from the top-1,000 starred GitHub repositories, yielding 3,371,244 synthetic training examples, and contribute a curated benchmark of 55 real-world argument-swap bugs manually verified from commit histories. We evaluate our approach on this dataset and show that it achieves high accuracy and consistently outperforms a state-of-the-art baseline across standard evaluation metrics. These results demonstrate that effective detection of argument-ordering bugs is possible without relying on explicit call-to-definition resolution, making the approach well suited for dynamically typed language settings.
- Abstract（参考訳）: ソースコード要素の名称は、豊富な意味情報を伝達し、バグ検出、コード補完、型予測、コード分類といったソフトウェア工学のタスクで広く使われている。
従来の研究では、メソッド引数と形式パラメータ名の間の語彙的類似性を利用して、誤って順序づけられた引数によって引き起こされるバグを検出する。
しかし、そのようなマッピングはPythonのような動的型付け言語では入手が難しいことが多い。
本稿では,Pythonのメソッドコールにおいて,コール・トゥ・デフィニション・マッピングを必要としない誤って順序づけられた引数を検出するための学習ベースのアプローチであるBugProbeを提案する。
提案手法では,ローカルコンテキストや引数使用状況など,複数のコンテキスト情報ソースを活用し,名前に基づく類似性と機械学習を組み合わせて,メソッド引数の表現表現を構築する。
私たちは、トップ1,000のGitHubリポジトリから132,739のPythonソースファイルのデータセットを収集し、3,371,244の合成トレーニングサンプルを取得し、コミット履歴から手作業で検証された55の現実世界の引数スワップバグのキュレートされたベンチマークに貢献しました。
このデータセットに対する我々のアプローチを評価し、高い精度を達成し、標準評価指標における最先端のベースラインを一貫して上回っていることを示す。
これらの結果は、明示的な呼び出し対定義解決に頼ることなく、引数順序付けバグを効果的に検出できることを示し、動的型付け言語設定に適している。
関連論文リスト
- SemaDiff: Identifying Semantic-Changing Commits with Generated Code and Tests [5.3138104073306005]
変更点からのセマンティック保存コミットの排除は、ソフトウェアリポジトリのマイニングにおいて、依然としてオープンな課題である。
SemaDiffは、プレコミットとポストコミットバージョンでの同様のテスト実行の比較を通じて、セマンティック保存コミットを特定するための新しいアプローチである。
SemaDiffは、セマンティックな保存と -- 約76%のケースでコミットを変更する -- を正確に区別し、セマンティックなコミット検出の精度は100%である。
論文 参考訳（メタデータ） (2026-07-14T12:23:22Z) - Typify: A Lightweight Usage-driven Static Analyzer for Precise Python Type Inference [7.733270505483109]
Pythonの動的型システムは静的解析に重大な課題をもたらす。
使用法駆動の静的解析エンジンであるTypifyを紹介する。
Typifyは、統計的学習に頼ることなく、正確で文脈的に関係のある型情報を推測する。
論文 参考訳（メタデータ） (2026-04-06T18:13:34Z) - Automated Quality Control for Language Documentation: Detecting Phonotactic Inconsistencies in a Kokborok Wordlist [0.0]
バングラを用いたコクボロク品種の多言語データセットに教師なし異常検出法を適用した。
文字レベルと音節レベルの特徴は、潜在的な転写エラーや借用を識別するために使用される。
ハイリコールアプローチは、フィールドワーカーに検証を必要とするエントリをフラグする体系的な方法を提供する。
論文 参考訳（メタデータ） (2025-10-24T15:51:10Z) - Zero and Few-shot Semantic Parsing with Ambiguous Inputs [45.285508941560295]
私たちは、曖昧な自然言語を論理やコードといった形式的な表現に変換するためのフレームワーク、データセット、課題であるAmPを紹介します。
我々は,AmPを用いて,複数ショットのテキスト・ツー・コードシステムがあいまいさをどのように処理し,新しいメトリクスを3つ導入するかを検討する。
事前学習された大規模なモデルでは,意図的な指示を伴わずに,可能な意味の分布を把握できないことが判明した。
論文 参考訳（メタデータ） (2023-06-01T15:46:36Z) - Precise Zero-Shot Dense Retrieval without Relevance Labels [60.457378374671656]
仮説文書埋め込み(英: hypothetical Document Embeddings, HyDE)は、ゼロショット高密度検索システムである。
我々は,HyDEが最先端の非教師付き高密度検索器であるContrieverを著しく上回っていることを示す。
論文 参考訳（メタデータ） (2022-12-20T18:09:52Z) - BenchCLAMP: A Benchmark for Evaluating Language Models on Syntactic and
Semantic Parsing [55.058258437125524]
本稿では,制約付きLanguage Model Parsingを評価するベンチマークであるBenchCLAMPを紹介する。
APIを通じてのみ利用可能な2つのGPT-3変種を含む8つの言語モデルをベンチマークする。
実験により,エンコーダ-デコーダ事前学習言語モデルでは,モデル出力が有効であると制約された場合に,構文解析や意味解析の最先端手法を超えることができることがわかった。
論文 参考訳（メタデータ） (2022-06-21T18:34:11Z) - ReACC: A Retrieval-Augmented Code Completion Framework [53.49707123661763]
本稿では,語彙のコピーと類似したセマンティクスを持つコード参照の両方を検索により活用する検索拡張コード補完フレームワークを提案する。
我々は,Python および Java プログラミング言語のコード補完タスクにおけるアプローチを評価し,CodeXGLUE ベンチマークで最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-03-15T08:25:08Z) - Code Search based on Context-aware Code Translation [9.346066889885684]
既存のテクニックは、ディープラーニングモデルを利用して、コードスニペットとクエリの埋め込み表現を構築する。
本稿では,コードスニペットを自然言語記述に変換する,文脈認識型コード翻訳手法を提案する。
我々は,1000クエリのCodeSearchNetコーパス上で,TranCSと呼ばれる手法の有効性を評価する。
論文 参考訳（メタデータ） (2022-02-16T12:45:47Z) - On The Ingredients of an Effective Zero-shot Semantic Parser [95.01623036661468]
我々は、標準発話とプログラムの訓練例を文法から言い換えて、ゼロショット学習を分析する。
改良された文法,より強力なパラフレーズ,効率的な学習手法を用いて,これらのギャップを埋めることを提案する。
我々のモデルはラベル付きデータゼロの2つの意味解析ベンチマーク(Scholar, Geo)で高い性能を達成する。
論文 参考訳（メタデータ） (2021-10-15T21:41:16Z) - Unnatural Language Inference [48.45003475966808]
我々は、RoBERTaやBARTのような最先端のNLIモデルは、ランダムに並べ替えられた単語の例に不変であり、時にはよりよく機能することさえあります。
我々の発見は、自然言語理解モデルと、その進捗を測定するために使われるタスクが、本当に人間のような構文理解を必要とするという考えに疑問を投げかけている。
論文 参考訳（メタデータ） (2020-12-30T20:40:48Z)
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。