要約
ソフトウェア開発者は、プロジェクトのバグの修正にかなりの時間を費やします。
このプロセスを合理化するために、特定のバグの原因である可能性が高いソース コード ファイルを特定するバグ ローカリゼーション アプローチが提案されています。
以前の研究では、バグの位置を特定するためのいくつかの類似性に基づく機械学習手法が提案されています。
これらの技術は大幅に進歩しましたが、評価尺度を直接最適化するものではありません。
私たちは、評価基準を直接最適化することが、バグ位置特定アプローチのパフォーマンスに積極的に貢献できると主張します。
したがって、この論文では、強化学習 (RL) 技術を利用してランキング指標を直接最適化します。
私たちは、強化学習ベースのバグ位置特定アプローチである RLocator を提案します。
マルコフ決定プロセス (MDP) を使用して RLocator を定式化し、評価尺度を直接最適化します。
この手法を紹介し、6 つの非常に人気のある Apache プロジェクトからの 8,316 件のバグ レポートのベンチマーク データセットに基づいて実験的に評価します。
評価の結果、RLocator は 0.62 の平均相互ランク (MRR)、0.59 の平均平均精度 (MAP)、および 0.46 のトップ 1 スコアを達成していることがわかります。
RLocator を 2 つの最先端のバグ ローカリゼーション ツール、FLIM および BugLocator と比較します。
私たちの評価では、RLocator が両方のアプローチよりも大幅に優れており、MAP で 38.3%、MRR で 36.73%、Top K メトリクスで 23.68% 向上していることがわかりました。
これらの発見は、評価尺度を直接最適化することがバグ位置特定問題のパフォーマンス向上に大きく貢献することを強調しています。
要約(オリジナル)
Software developers spend a significant portion of time fixing bugs in their projects. To streamline this process, bug localization approaches have been proposed to identify the source code files that are likely responsible for a particular bug. Prior work proposed several similarity-based machine-learning techniques for bug localization. Despite significant advances in these techniques, they do not directly optimize the evaluation measures. We argue that directly optimizing evaluation measures can positively contribute to the performance of bug localization approaches. Therefore, In this paper, we utilize Reinforcement Learning (RL) techniques to directly optimize the ranking metrics. We propose RLocator, a Reinforcement Learning-based bug localization approach. We formulate RLocator using a Markov Decision Process (MDP) to optimize the evaluation measures directly. We present the technique and experimentally evaluate it based on a benchmark dataset of 8,316 bug reports from six highly popular Apache projects. The results of our evaluation reveal that RLocator achieves a Mean Reciprocal Rank (MRR) of 0.62, a Mean Average Precision (MAP) of 0.59, and a Top 1 score of 0.46. We compare RLocator with two state-of-the-art bug localization tools, FLIM and BugLocator. Our evaluation reveals that RLocator outperforms both approaches by a substantial margin, with improvements of 38.3% in MAP, 36.73% in MRR, and 23.68% in the Top K metric. These findings highlight that directly optimizing evaluation measures considerably contributes to performance improvement of the bug localization problem.
arxiv情報
| 著者 | Partha Chakraborty,Mahmoud Alfadel,Meiyappan Nagappan |
| 発行日 | 2024-09-30 15:29:35+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google