深度学习系统故障定位与修复：基于大语言模型的实证研究
软件工程
2025-06-05 v1
摘要
已提出大量故障定位（FL）与修复技术用于解决深度学习（DL）模型中的缺陷，但其在实际应用中的有效性仍不确定，因为它们依赖于预定义规则。本文对最先进的 FL 与修复技术进行了全面评估，考察其优势与局限。此外，我们提出了一种利用大语言模型（LLM）能力进行深度学习故障定位与修复的新方法。在精心设计的基准测试上的评估揭示了当前 FL 与修复技术的优势与不足。我们强调了提高准确性的重要性以及需要采用多个真实补丁进行更严格的评估方法。值得注意的是，LLM 在故障定位与修复任务中均表现出显著性能。例如，GPT-4 模型在故障定位和修复任务上分别比第二优工具取得了 44% 和 82% 的提升，展示了 LLM 在该领域的潜力。本研究揭示了当前 FL 与修复技术的现状，并表明 LLM 可能是未来进展的有前景方向。
引用
@article{arxiv.2506.03396,
title = {Fault Localisation and Repair for DL Systems: An Empirical Study with LLMs},
author = {Jinhan Kim and Nargiz Humbatova and Gunel Jahangirova and Shin Yoo and Paolo Tonella},
journal= {arXiv preprint arXiv:2506.03396},
year = {2025}
}
备注
arXiv admin note: text overlap with arXiv:2301.11568