論文の概要: Causality-Based Fault Localization

• arxiv url: http://arxiv.org/abs/2611.01292v1
• Date: Sat, 31 Oct 2026 21:48:31 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:32:58.259291
• Title: Causality-Based Fault Localization
• Title（参考訳）: 因果関係に基づくフォールトローカライゼーション
• Abstract要約: 本稿では, 因果性理論に基づく新しい断層定位法であるCBFL(Causality-Based Fault Localization)を紹介する。 We implement CBFL in a tools, SoftReX and our evaluation results showed that SoftReX improves state-of-the-the-the-art Mutation-Based Fault Localization (MBFL) tools。 また,プログラムの構造と表現に基づく複雑な突然変異生成戦略を提案し,ランクリストの精度を向上させる。
• 参考スコア（独自算出の注目度）: 3.4891835983047073
• License:
• Abstract: We introduce Causality-Based Fault Localization (CBFL), a novel approach to fault localization grounded in the theory of actual causality. We use the notion of causal responsibility to formalize and define the contribution of a given location in the source code under the context of a failing test. We also utilize a distance metric to prioritize minimal fixes and penalize broken tests, leading to more interpretable and fixable fault localization. We implemented CBFL in a tool, SoftReX, and our evaluation results demonstrate that SoftReX outperforms state-of-the-art Mutation-Based Fault Localization (MBFL) tools based on Mean Reciprocal Rank (MRR) and Top-1 by 16% on both metrics, when using the same set of mutants. We also propose a sophisticated mutation generation strategy based on the structure and representation of the program to improve the accuracy of our ranked list, which outperforms state-of-the-art methods by 2.6x in terms of required mutants evaluated while remaining competitive in performance.
• Abstract（参考訳）: 本稿では, 因果性理論を基礎とした新しい断層局所化手法CBFLを紹介する。 我々は因果責任の概念を用いて、失敗するテストのコンテキスト下でソースコード内の特定の位置の寄与を形式化し、定義する。 また、最小限の修正を優先順位付けし、壊れたテストにペナルティを課すために距離測定を使い、より解釈可能で固定可能な障害ローカライゼーションをもたらします。 我々はCBFLをSoftReXツールに実装し、SoftReXが同じミュータントセットを使用する場合、Mean Reciprocal Rank(MRR)とTop-1に基づくMBFLツールよりも16%高い性能を示した。 また,プログラムの構造と表現に基づく複雑な突然変異生成戦略を提案し,性能の競争力を維持しつつ評価された要求突然変異の2.6倍の精度で最先端の手法を向上する。

関連論文リスト

• Diagnose-to-Generate: Eliminating Structural Distortions in Flow Models via Patch-Level Grounded Alignment [55.60663579540744]
  フローベース画像生成装置は強力なセマンティック合成を実現するが、それでも局所的な構造歪みを生じさせる。 textitDiagnose-to-Generate (D2G) は、画像診断と生成最適化を分離する基盤的アライメントフレームワークである。
  論文  参考訳（メタデータ） (2026-10-13T07:37:52Z)
• The Art of Not Forgetting [0.8875650122536798]
  入力をスパースリレーショナルコードとして表現するアーキテクチャであるCMPを導入し、それらを2層競合メモリに格納し、ローカルで勾配のない更新を通じて完全に学習し、ネットワークのどこにもバックプロパゲーションを含まない。 破滅的な忘れは、通常、リプレイや正規化でパッチを当てられるトレーニング時の欠陥として扱われるが、代わりにバックプロパゲーションがクレジットを割り当てる方法の構造的な結果であり、建設によって局所的でスパースな学習規則はパッチなしでそれに耐えるべきである、という、特定の仮説をテストするためにこのアーキテクチャを使用します。
  論文  参考訳（メタデータ） (2026-07-20T13:42:55Z)
• How do Execution Features Improve Statistical Fault Localization? An Empirical Study [5.85833888070275]
  本研究は,統計的障害局所化と実行特徴の増大が,ローカライズ精度と開発者志向の検査作業を改善するか否かを評価する。 我々は,すべてのテスト4Py被験者に対してEFDDを用いて実行特徴を抽出し,オブジェクトごとのランダムな森林を訓練し,ソースラインに重要度をマップし,その結果の重みを確立されたSFL式と組み合わせる。
  論文  参考訳（メタデータ） (2026-06-29T14:07:47Z)
• Beyond Binary Success: A Diagnostic Meta-Evaluation Framework for Fine-Grained Manipulation [98.79811866787263]
  診断メタ評価フレームワークであるMetaFineを紹介する。 局所的な空間構造を保存できる視覚エンコーダの能力は,きめ細かな精度の鍵となるボトルネックである。 評価をランキングから診断にシフトすることで、MetaFineは、ベンチマークを実際の物理デキスタリティに基づく階層化された能力の修復のための実行可能なコンパスに変換する。
  論文  参考訳（メタデータ） (2026-05-19T15:25:13Z)
• Discovery of Hidden Miscalibration Regimes [52.452902154360565]
  モデルは何らかの入力を体系的に過信し、他人を過信することがある。 対応する誤校正分野を定義し,それを推定するための診断フレームワークを提案する。 提案手法は,入力空間のキャリブレーションを意識した表現を学習し,学習幾何学におけるカーネルの平滑化による符号付き局所的誤校正を推定する。
  論文  参考訳（メタデータ） (2026-05-13T13:07:50Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• Revisiting Reweighted Risk for Calibration: AURC, Focal, and Inverse Focal Loss [24.141034387131267]
  深層学習で一般的に用いられる重み付きリスク関数のクラスを再検討し,キャリブレーション誤差と選択分類の原則的関連性を確立する。 キャリブレーション誤差の最小化は選択的分類パラダイムと密接に関連していることを示し、低信頼領域における選択的リスクの最適化が自然にキャリブレーションの改善につながることを示した。
  論文  参考訳（メタデータ） (2025-05-29T14:12:12Z)
• SLIM: a Scalable Light-weight Root Cause Analysis for Imbalanced Data in Microservice [11.006453256506235]
  既存のフォールトローカライゼーションの最先端手法では、変更サービスにおける不均衡なフォールト分類を考慮することは稀である。 本稿では,高不均衡なデータを扱うために決定ルールセットを利用する新しい手法を提案する。 我々のアルゴリズムは、変更サービスの不均衡な障害シナリオに適応し、理解し、検証し易い障害原因を解釈できる。
  論文  参考訳（メタデータ） (2024-05-31T14:32:31Z)
• Understanding How Consistency Works in Federated Learning via Stage-wise Relaxed Initialization [84.42306265220274]
  フェデレートラーニング(Federated Learning, FL)は、大規模なローカルクライアントを協調してグローバルモデルをトレーニングする分散パラダイムである。 従来の研究は、FLがローカルクライアント間の矛盾した最適性によって引き起こされるクライアント・ドリフトの問題に悩まされていることを暗黙的に研究してきた。 FLにおけるクライアントドリフトの負の影響を緩和し,その物質を探索するために,我々はまず,効率的なFLアルゴリズム textitFedInit を設計する。
  論文  参考訳（メタデータ） (2023-06-09T06:55:15Z)
• Learning Test-Mutant Relationship for Accurate Fault Localisation [16.080629795085322]
  自動フォールトローカライゼーション(Automated fault Localization)は、開発者がフォールトロケーションのスペースを狭めることで、障害の根本原因を特定するのを支援することを目的としている。 いくつかのミューテーションベース障害局所化(MBFL)技術が、自動的に故障を見つけるために提案されている。 その成功にもかかわらず、既存のMBFL技術は、欠陥が観測された後に突然変異解析を行うコストに悩まされている。 本稿では,現時点の異常をローカライズするために事前突然変異解析を利用するSIMFLと呼ばれる新しいMBFL手法を提案する。
  論文  参考訳（メタデータ） (2023-06-04T10:09:38Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。