Buchumschlag

Utilizing Source Code Syntax Patterns to Detect Bug Inducing Commits using Machine Learning Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Nadim, Md, Roy, Banani
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Software Engineering
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Comparative Analysis of Quantum and Classical Support Vector Classifiers for Software Bug Prediction: An Exploratory Study
von: Nadim, Md, et al.
Veröffentlicht: (2025)

Beyond Bug Fixes: An Empirical Investigation of Post-Merge Code Quality Issues in Agent-Generated Pull Requests
von: Cynthia, Shamse Tasnim, et al.
Veröffentlicht: (2026)

Quantum Software Engineering and Potential of Quantum Computing in Software Engineering Research: A Review
von: Mandal, Ashis Kumar, et al.
Veröffentlicht: (2025)

Do Automatic Comment Generation Techniques Fall Short? Exploring the Influence of Method Dependencies on Code Understanding
von: Billah, Md Mustakim, et al.
Veröffentlicht: (2025)

Identifying Bug Inducing Commits by Combining Fault Localisation and Code Change Histories
von: An, Gabin, et al.
Veröffentlicht: (2025)

Detecting the Root Cause Code Lines in Bug-Fixing Commits by Heterogeneous Graph Learning
von: Ji, Liguo, et al.
Veröffentlicht: (2025)

Confident Learning-based Network for Detecting Bug-Inducing Commits on SZZ with Noisy Labels
von: Sun, Weihao, et al.
Veröffentlicht: (2026)

An Empirical Study on the Impact of Gender Diversity on Code Quality in AI Systems
von: Cynthia, Shamse Tasnim, et al.
Veröffentlicht: (2025)

AgentSZZ: Teaching the LLM Agent to Play Detective with Bug-Inducing Commits
von: Lyu, Yunbo, et al.
Veröffentlicht: (2026)

Evaluating the Performance of a D-Wave Quantum Annealing System for Feature Subset Selection in Software Defect Prediction
von: Mandal, Ashis Kumar, et al.
Veröffentlicht: (2024)

How Do Community Smells Influence Self-Admitted Technical Debt in Machine Learning Projects?
von: Cynthia, Shamse Tasnim, et al.
Veröffentlicht: (2025)

From Prompt to Pipeline: Large Language Models for Scientific Workflow Development in Bioinformatics
von: Alam, Khairul, et al.
Veröffentlicht: (2025)

Are Large Language Models a Threat to Programming Platforms? An Exploratory Study
von: Billah, Md Mustakim, et al.
Veröffentlicht: (2024)

Evaluating the Performance of Clone Detection Tools in Detecting Cloned Co-change Candidates
von: Nadim, Md, et al.
Veröffentlicht: (2022)

Reproducibility of Issues Reported in Stack Overflow Questions: Challenges, Impact & Estimation
von: Mondal, Saikat, et al.
Veröffentlicht: (2024)

What Drives Issue Resolution Speed? An Empirical Study of Scientific Workflow Systems on GitHub
von: Alam, Khairul, et al.
Veröffentlicht: (2025)

Analyzing GitHub Issues and Pull Requests in nf-core Pipelines: Insights into nf-core Pipeline Repositories
von: Alam, Khairul, et al.
Veröffentlicht: (2026)

AUTOGENICS: Automated Generation of Context-Aware Inline Comments for Code Snippets on Programming Q&A Sites Using LLM
von: Bappon, Suborno Deb, et al.
Veröffentlicht: (2024)

Are We All Using Agents the Same Way? An Empirical Study of Core and Peripheral Developers Use of Coding Agents
von: Cynthia, Shamse Tasnim, et al.
Veröffentlicht: (2026)

AgenticSZZ: Temporal Knowledge Graph-Guided Agentic Bug-Inducing Commit Identification
von: Shi, Yu, et al.
Veröffentlicht: (2026)

Quantum vs. Classical Machine Learning Algorithms for Software Defect Prediction: Challenges and Opportunities
von: Nadim, Md, et al.
Veröffentlicht: (2024)

Towards LLM-Powered Task-Aware Retrieval of Scientific Workflows for Galaxy
von: Cynthia, Shamse Tasnim, et al.
Veröffentlicht: (2025)

An Empirical Study on Bug Severity Estimation using Source Code Metrics and Static Analysis
von: Mashhadi, Ehsan, et al.
Veröffentlicht: (2022)

XMENTOR: A Rank-Aware Aggregation Approach for Human-Centered Explainable AI in Just-in-Time Software Defect Prediction
von: Roy, Saumendu, et al.
Veröffentlicht: (2026)

LLM-Based Detection of Tangled Code Changes for Higher-Quality Method-Level Bug Datasets
von: Opu, Md Nahidul Islam, et al.
Veröffentlicht: (2025)

How and Why Agents Can Identify Bug-Introducing Commits
von: Risse, Niklas, et al.
Veröffentlicht: (2026)

Secret Breach Detection in Source Code with Large Language Models
von: Rahman, Md Nafiu, et al.
Veröffentlicht: (2025)

Automata Models for Effective Bug Pattern Description
von: Yaacov, Tom, et al.
Veröffentlicht: (2025)

Detecting Metadata-Related Bugs in Enterprise Applications
von: Kabir, Md Mahir Asef, et al.
Veröffentlicht: (2025)

BugForge: Constructing and Utilizing DBMS Bug Repository to Enhance DBMS Testing
von: Li, Dawei, et al.
Veröffentlicht: (2026)

Detecting Refactoring Commits in Machine Learning Python Projects: A Machine Learning-Based Approach
von: Noei, Shayan, et al.
Veröffentlicht: (2024)

Establishing Traceability Links between Release Notes & Software Artifacts: Practitioners' Perspectives
von: Nath, Sristy Sumana, et al.
Veröffentlicht: (2025)

Code for Machines, Not Just Humans: Quantifying AI-Friendliness with Code Health Metrics
von: Borg, Markus, et al.
Veröffentlicht: (2026)

Explaining Software Bugs Leveraging Code Structures in Neural Machine Translation
von: Mahbub, Parvez, et al.
Veröffentlicht: (2022)

The Repeat Offenders: Characterizing and Predicting Extremely Bug-Prone Source Methods
von: Friesen, Ethan, et al.
Veröffentlicht: (2025)

Detecting Multiple Semantic Concerns in Tangled Code Commits
von: Koh, Beomsu, et al.
Veröffentlicht: (2026)

An Empirical Study on the Classification of Bug Reports with Machine Learning
von: Andrade, Renato, et al.
Veröffentlicht: (2025)

Refactoring $\neq$ Bug-Inducing: Improving Defect Prediction with Code Change Tactics Analysis
von: Niu, Feifei, et al.
Veröffentlicht: (2025)

Machine Learning Techniques for Python Source Code Vulnerability Detection
von: Farasat, Talaya, et al.
Veröffentlicht: (2024)

Exploring the Effectiveness of Abstract Syntax Tree Patterns for Algorithm Recognition
von: Neumüller, Denis, et al.
Veröffentlicht: (2026)