An Industrial Study on Predicting Crash Report Log \nTypes Using Large Language Models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Software crashes and failures take a fair amount of effort and time to resolve. Software developers \nuse information submitted in crash reports (CRs) to conduct root cause analysis of faults. The \nproblem is that CRs often lack all the information required. Automatic prediction of CR fields can \ntherefore reduce the crash resolution process time. In this thesis, we use CR headings and \ndescriptions to predict the type of log files that should be attached to a CR. Our approach is to use \nmultilabel learning algorithms to train a machine learning model using a dataset from Ericsson’s \nCR database to predict the type of log files based on CR headings and descriptions. We use three \ndifferent pre-trained language models Bert, Telecom Bert, and Word2Vector to extract feature \nvectors from CR headings and descriptions and then feed these vectors to three different multilabel \nlearning algorithms, namely Binary Relevance (BR), Classifier Chain (CC), and Neural Network \n(NN). Then, we compare the performance of different feature sets. We found that the use of \nheadings alone with pre-trained language models Bert and Telecom Bert results in the best average \nAUC (0.70). The use of descriptions and headings and descriptions together as features resulted in \nan average AUC varying from 0.65 to 0.70. In general, the algorithms showed no significant \ndifference in their performances, but the choice of features impacts the performance. Also, the \nperformance of predicting each type of log is influenced by the use of keywords in headings and \ndescriptions that describe these files. We found that log types with a clear definition such as Key \nPerformance Indicators (KPI) Logs, Post-mortem Dumps (PMD), and execution traces can be \npredicted with higher accuracy.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle