学习易处理的概率模型用于故障定位
软件工程
2015-07-08 v1 机器学习
摘要
近年来，多种概率技术已被应用于各类调试问题。然而，现有的大多数概率调试系统使用相对简单的统计模型，且无法泛化到多个程序。在本工作中，我们提出了可从数据中学习并概率性地推断错误位置的可处理故障定位模型 (TFLM)。以往大多数统计调试方法是对单个程序的多次执行进行泛化，而 TFLM 则在先前见过的有缺陷程序语料库上进行训练，学习识别反复出现的缺陷模式。诸如 TARANTULA 等广泛使用的故障定位技术孤立地评估每一行的可疑度；相比之下，TFLM 定义了各行缺陷指示变量的联合概率分布。具有丰富依赖结构的联合分布通常在计算上是不可处理的；TFLM 通过利用可处理概率模型（特别是关系型 SPN）的最新进展来避免这一问题。此外，TFLM 可以整合额外的信息源，包括基于覆盖率的特征（如 TARANTULA）。我们评估了在概率模型中包含 TARANTULA 分数作为特征的 TFLM 的故障定位性能。研究表明，学习得到的 TFLM 比以往的统计方法或直接使用 TARANTULA 能更有效地隔离缺陷。
引用
@article{arxiv.1507.01698,
title = {Learning Tractable Probabilistic Models for Fault Localization},
author = {Aniruddh Nath and Pedro Domingos},
journal= {arXiv preprint arXiv:1507.01698},
year = {2015}
}
备注
Fifth International Workshop on Statistical Relational AI (StaR-AI 2015)