論文の概要: Cross-Project Bug Localization: What Works, What Doesn't, and Why

• arxiv url: http://arxiv.org/abs/2610.17578v1
• Date: Tue, 13 Oct 2026 01:56:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 18:19:43.973415
• Title: Cross-Project Bug Localization: What Works, What Doesn't, and Why
• Title（参考訳）: クロスプロジェクトバグのローカライゼーション:何がうまくいくのか、何ができないのか、なぜか
• Abstract要約: クロスプロジェクト学習(CPL)は、成熟したプロジェクトからラベル付きバグを再利用することで、このギャップを埋めることを約束する。 以前のCPL研究は、データスカースプロジェクトが到達できないプロジェクト内ベースラインに対して単一のモデルを評価する。 我々は,組込み型BLAZE,畳み込み型TRANP-CNN,GNN型敵対型COOBAの3つのアーキテクチャモデルを評価する。
• 参考スコア（独自算出の注目度）: 5.523167414178438
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bug localization models require substantial within-project training data that newly active or small open-source projects rarely have. Cross-project learning (CPL) promises to close this gap by reusing labeled bugs from mature projects, but prior CPL studies evaluate a single model against ample-data within-project baselines that data-scarce projects cannot reach. We ask whether CPL's effectiveness is a property of the transfer setting or depends on model architecture. We evaluate three architecturally distinct models, embedding-based BLAZE, convolutional TRANP-CNN, and GNN-based adversarial COOBA, on 63 source to target pairs from 13 open-source Python projects under identical bug corpora, data splits, retrieval candidates, and baselines. The primary baseline is within-project limited training (WP-small, 20% of target labels, the same target-side share as CP-transfer). CPL outperforms WP-small most clearly for TRANP-CNN (Cohen's d = 0.95, win rate 81.0%, p < 0.001, robust to clustering pairs by target project), and less so for BLAZE (d = 0.49, win rate 60.3%, p = 0.002; not significant once pairs are clustered by target). COOBA, under our re-implementation, shows a small gain that does not survive multiple-comparison correction (d = 0.27, p = 0.027). Negative transfer affects 9.5% of TRANP-CNN pairs and 30.2% of BLAZE's and COOBA's. Cross-model direction agreement is only 44-54%: the same pair can help one architecture and harm another, although the models' gains are positively correlated (rho = 0.24-0.42). CPL outcomes are therefore architecture-dependent: practitioners should validate CPL for their chosen model, and CPL studies should report results per architecture.
• Abstract（参考訳）: バグローカライゼーションモデルは、新しくアクティブになったり、小さなオープンソースプロジェクトがほとんど持たない、プロジェクト内トレーニングデータを必要とする。 クロスプロジェクトラーニング(CPL)は、成熟したプロジェクトからラベル付きバグを再利用することで、このギャップを埋めることを約束するが、以前のCPL研究では、データスカースプロジェクトが到達できない、複数のデータ内ベースラインに対して単一のモデルを評価する。 我々は、CPLの有効性が転送設定の特性であるのか、モデルアーキテクチャに依存するのかを問う。 アーキテクチャ的に異なる3つのモデル,埋め込みベースのBLAZE,畳み込み型TRANP-CNN,およびGNNベースの敵対的COOBAを63のソースで評価し,同一のバグコーパス,データ分割,検索候補,ベースラインを対象とする。 主要なベースラインはプロジェクト内限定トレーニング(WP-small、ターゲットラベルの20%、CP-transferと同じターゲットサイドシェア)である。 CPL は TRANP-CNN (コーエンの d = 0.95, win rate 81.0%, p < 0.001, robust to clustering pairs by target project) において WP-small を最も顕著に上回り、BLAZE (d = 0.49, win rate 60.3%, p = 0.002) ではそうではない。 COOBAは、再実装の下で、多重比較補正(d = 0.27, p = 0.027)に耐えられない小さな利得を示す。 負の移動はTRANP-CNNペアの9.5%、BLAZEとCOOBAの30.2%に影響を与える。 モデル間の方向合意は44-54%に過ぎず、同じペアが一つのアーキテクチャを助け、別のアーキテクチャを害することがあるが、モデルの利得は正の相関関係にある(rho = 0.24-0.42)。 実践者は選択したモデルに対してCPLを検証する必要があり、CPLの研究はアーキテクチャ毎に結果を報告する必要がある。

関連論文リスト

• Stream-Based Active Learning with Cooperative Neural Networks for Data-Efficient Partial Inverse Design: An Automotive Glass Run Channel Case Study [2.509587033631627]
  CoNN-ALはデータ効率のよい部分的逆設計のためのフレームワークである。 これは、Denoising Autoencoderを備えたCooperative Neural Networkにストリームベースのアクティブラーニングを追加する。 我々は、90万以上のユニークなシミュレートされたデザインの実際の自動車ガラスランチャネルデータセット上で、このフレームワークを検証する。
  論文  参考訳（メタデータ） (2026-10-07T11:07:22Z)
• Architecture-Dependent Causal Transfer of Activation States Across Large Language Models [51.56484100374058]
  内部言語アクティベーション状態は、異なる大きな言語モデル間で因果的に転送することができる。 生成中に投影された活性化をターゲットモデルに注入すると、統計的に有意で事前登録された因果効果が生じる。 現在実装されているLCM間のエンド・ツー・エンドのアクティベーション・ステート・トランスファーは、ユニバーサルではなくアーキテクチャに依存していると結論付けている。
  論文  参考訳（メタデータ） (2026-08-17T09:53:27Z)
• Beyond Inference-Only Deployment: Comparing Weight-Based Consolidation Against Cascading Compaction [1.6214121783846343]
  本研究は,1つのコンシューマ上でのLow-Rank Adaptation (LoRA)ファインチューニングにより,インタラクション知識をモデルウェイトに夜間に集約することを評価する。 10つの現実的なソフトウェア開発の会話の中で、カスケードのコンパクト化は36.8 +/-3.0%の知識を保持する。 LoRAは、相互作用知識を合成、合成、Low-Rank Adaptation (LoRA)ファインチューニングを通じてモデルウェイトに集約する。
  論文  参考訳（メタデータ） (2026-05-23T16:57:25Z)
• On the Necessity of Output Distribution Reweighting for Effective Class Unlearning [9.13515473028423]
  モデルが近隣のクラスに割り当てる確率を用いて、未学習のサンプルを検出するMIA-NNによる会員推論攻撃を導入する。 そこで我々は,このプライバシー漏洩を緩和する新たな微調整手法を提案する。
  論文  参考訳（メタデータ） (2025-06-25T23:53:56Z)
• Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
  画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。 本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。 我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
  論文  参考訳（メタデータ） (2025-03-12T15:46:12Z)
• LLMs Can Easily Learn to Reason from Demonstrations Structure, not content, is what matters! [53.84130385074551]
  大推論モデル(LRM)は、長いチェーン・オブ・シント(Long CoT)に従うことによって複雑な推論問題に取り組む また,Large Language Model (LLM) は,データ効率の教師付き微調整 (SFT) とパラメータ効率の低い低ランク適応 (LoRA) により,Long CoT推論を効果的に学習できることを見出した。 たった17kのCoTトレーニングサンプルで、Qwen2.5-32B-Instructモデルは、幅広い数学およびコーディングベンチマークで大幅に改善されている。
  論文  参考訳（メタデータ） (2025-02-11T08:48:48Z)
• 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)
• Getting More Juice Out of Your Data: Hard Pair Refinement Enhances Visual-Language Models Without Extra Data [122.282521548393]
  コントラスト言語-画像事前学習 (CLIP) は, クロスモーダルな画像-テキスト表現学習の標準となっている。 HELIPは、CLIPモデルを改善するためのコスト効率のよい戦略であり、継続的なトレーニングにおいて既存のデータセット内の挑戦的なテキストイメージペアを利用することで、CLIPモデルを改善する。
  論文  参考訳（メタデータ） (2023-05-09T07:00:17Z)

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。