본문으로 건너뛰기

"Debugging" 태그로 연결된 2개 게시물개의 게시물이 있습니다.

모든 태그 보기

Information Retrieval and Spectrum Based Bug Localization: Better Together

· 약 4분
Tien-Duy B. Le
Richard J. Oentaryo
David Lo

논문 정보​

  • 제목: Information Retrieval and Spectrum Based Bug Localization: Better Together
  • 저자: Tien-Duy B. Le, Richard J. Oentaryo, David Lo (Singapore Management University)
  • 학회/저널: ESEC/FSE 2015
  • 발행일: 2015-08-30
  • DOI: http://dx.doi.org/10.1145/2786805.2786880
  • 주요 연구 내용: 버그 리포트의 텍스트 정보(IR)와 테스트 케이스 실행 정보(Spectrum)를 결합한 AML(Adaptive Multi-modal Bug Localization) 기법을 제안함. 이는 버그마다 최적의 가중치를 동적으로 학습하는 적응형 모델과 실행 흔적에서 '의심스러운 단어'를 추출하는 새로운 접근법을 포함함.
  • 주요 결과 및 결론: 4개의 대규모 소프트웨어 프로젝트에서 157개의 실제 버그를 대상으로 실험한 결과, 제안된 AML은 기존 최신 기법(PROMESIR, DIT 등) 대비 Top-1 정확도에서 47.62%, MAP에서 28.80% 더 우수한 성능을 보임.
  • 기여점: 최초의 적응형 멀티모달 버그 위치 추정 알고리즘을 구현하고, 코드 내 '의심스러운 단어'를 정량화하여 활용하는 방법을 제시했으며, 데이터 불균형 문제를 해결하는 학습 전략을 도입함.

Teaching Large Language Models to Self-Debug

· 약 3분
Xinyun Chen
Maxwell Lin
Nathanael Schärli
Denny Zhou

논문 정보​

  • 제목: Teaching Large Language Models to Self-Debug
  • 저자: Xinyun Chen (Google DeepMind), Maxwell Lin (UC Berkeley), Nathanael Schärli (Google DeepMind), Denny Zhou (Google DeepMind)
  • 학회/저널: ICLR 2024 (International Conference on Learning Representations)
  • 발행일: 2023-04-11 (arXiv), 2024 (ICLR)
  • DOI: 10.48550/arXiv.2304.05128
  • 주요 연구 내용: LLM이 생성한 코드를 스스로 실행하고, 실행 결과를 분석하며, 자연어 설명을 통해 오류를 파악·수정하는 Self-Debugging 프레임워크 제안
  • 주요 결과 및 결론: Spider(text-to-SQL)에서 2-3%, TransCoder(C++-to-Python)와 MBPP(text-to-Python)에서 최대 12%의 정확도 향상을 달성하며, 10배 이상의 후보 프로그램을 생성하는 베이스라인과 동등하거나 우수한 성능
  • 기여점: 추가 학습 데이터 없이 인퍼런스 단계에서만 동작하는 자기 수정 메커니즘을 제안하고, 러버 덕 디버깅 개념을 LLM에 적용