.png){kind=icon}
返回
MDAug: Metamorphic Diffusion-Based Augmentation for Improving Deep Learning-Based Fault Localization without Test Oracles
.png){kind=icon}
PRE
AI
DOI：10.1587/transinf.2025EDL8015.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于深度学习的故障定位（DLFL）使用变形测试在缺乏测试预言的情况下定位故障。然而，这些方法面临类别不平衡问题，即违反的数据（即少数类）远少于未违反的数据（即多数类）。为解决此问题，我们提出MDAug：基于变形扩散的增强方法，用于在不依赖测试预言的情况下改进DLFL。MDAug结合变形测试和扩散模型生成少数类数据并获取类别平衡数据。我们将MDAug应用于三种最先进的无需测试预言的DLFL基线方法，结果表明，在不依赖测试预言的情况下，MDAug显著优于所有基线方法。
Keyword:
fault localization
metamorphic testing
diffusion models
class imbalance
期刊
I
IF:
0.8
论文数:
171
被引数:
2.3K
机构
引用论文
分享收藏Mitigating the Effect of Class Imbalance in Fault Localization Using Context-aware Generative Adversarial Network利用基于上下文感知生成对抗网络减轻故障定位中的类别不平衡效应
OAAI
OAAI分享收藏分享收藏A data augmentation method for fault localization with fault propagation context and VAE一种结合故障传播上下文和VAE的故障定位数据增强方法.png)
IF0
PREAI
分享收藏分享收藏
查看更多内容