报告聚焦自动程序修复（APR）领域，由南京大学李传艺分享，阐述了APR研究现状、提出基于修复偏好的集成方案，并通过实验评估，对未来研究方向进行了展望。

1. APR研究现状及集成方法：当前已有超40种APR工具，主要分为基于启发式搜索、语义约束、修复模板的传统工具，基于神经机器翻译（NPR）的工具，以及基于大语言模型（LLM）的工具。不同工具各有优劣，且没有一种工具能超越其他所有工具修复所有Bug 。基于学习的APR工具集成方法，通过收集Bug特征关联工具，但存在训练数据构造成本高、特征选取随机性大、添加新工具代价大等问题 。

2. 本工作动机：为弥补基于学习的集成方案的不足，提出一种非基于训练的集成方案，直接通过待修复Bug与APR工具能修复、不能修复的Bug之间的关系，度量一个APR工具是否能够修复特定Bug 。

3. 基于修复偏好的集成方案（P-EPR）：定义修复偏好为APR工具对各类Bug特征的修复能力，将工具分为基于约束、基于启发式规则、基于模板和基于学习（NPR，不含LLM - based）的工具。集成框架首先整理工具修复能力与Bug特征的映射关系，然后抽取待修复Bug特征，为工具计算修复得分并排序，按序执行工具并记录结果 。评分时，根据修复历史计算基础得分，若Bug特征符合传统工具修复偏好则加分。新工具可直接更新修复模式和历史数据，所有工具的修复历史会持续更新 。

展开剩余80%

4. 实验和结果讨论：实验在Defects4J和Bears数据集上进行，设置多种对比基线。结果显示，P-EPR在总体性能上，与执行所有工具相比，能在取得接近修复效果的同时大幅降低工具执行和人工检查开销；组件消融实验表明，集成方案的各个组件都有影响，其中初始修复历史数据、是否动态更新修复历史影响较大 。在实用性能方面，P-EPR集成策略超越了单个NPR工具的修复性能，在正确修复数量、精准率等指标上表现更优 。

5. 总结、展望与补充讨论：P-EPR是一种实用的APR集成方案，能发挥各工具优势，降低开销并提升修复性能，且易于添加新工具，随历史数据积累效果更好 。未来研究方向包括优化集成方案，如用基于学习的策略度量NPR和Bug的关联；集成LLM - based Self - enhancing APR，考虑其泛化性问题，探索LLM对不同数据集的记忆程度对修复效果的影响，使用多种评测数据集持续更新APR评测数据 。

免责声明：我们尊重知识产权、数据隐私，只做内容的收集、整理及分享，报告内容来源于网络,报告版权归原撰写发布机构所有，通过公开合法渠道获得，如涉及侵权，请及时联系我们删除，如对报告内容存疑，请与撰写、发布机构联系

发布于：广东省