[論文レビュー] Deep Learning & Software Engineering: State of Research and Future Directions.

Prémkumar Dévanbu, Matthew B. Dwyer+7 more|arXiv (Cornell University)|Sep 17, 2020

Software Testing and Debugging Techniques参考文献 97被引用数 9

ひとこと要約

本論文は、米国国立科学財団（NSF）後援のディープラーニング（DL）とソフトウェア工学（SE）に関するワークショップの知見を統合し、2つの核心的研究分野を特定している：ディープラーニングに特化したソフトウェア工学（SE4DL）—DL特有の開発ワークフローと抽象化に焦点を当て、およびディープラーニングを用いたソフトウェア工学（DL4SE）—ソフトウェアアーティファクトを活用してSEタスクを自動化または強化する。主な貢献は、基礎的課題、故障モード、特化型アーキテクチャ、教育統合を含む、優先順位を付けた研究アジェンダの提示である。

ABSTRACT

Given the current transformative potential of research that sits at the intersection of Deep Learning (DL) and Software Engineering (SE), an NSF-sponsored community workshop was conducted in co-location with the 34th IEEE/ACM International Conference on Automated Software Engineering (ASE'19) in San Diego, California. The goal of this workshop was to outline high priority areas for cross-cutting research. While a multitude of exciting directions for future work were identified, this report provides a general summary of the research areas representing the areas of highest priority which were discussed at the workshop. The intent of this report is to serve as a potential roadmap to guide future work that sits at the intersection of SE & DL.

研究の動機と目的

• ディープラーニング（DL）とソフトウェア工学（SE）の交差点における高インパクトな研究課題を特定・優先順位付けすること。
• 従来のソフトウェア工学とは異なる、DLベースのシステムに特化した開発ワークフローと抽象化を定義・体系化すること（SE4DL）。
• コード、要件、イシュートラッカーなどのソフトウェアアーティファクトの構造的性質を活用するタスク特化型DLモデルを設計することで、DL4SEを前進させること。
• SE文脈におけるDLシステムのデバッグ、検証、保守における重要な課題に対処すること。
• 今後の開発者をDLベースのソフトウェア開発に適応させるために、学術界・産業界の連携による教育イニシアチブを推進すること。

提案手法

• 30名の学術界および産業界の研究者を対象に、3日間のNSF後援ワークショップを実施し、DLとSEの交差点を検討した。
• DL4SE、DLシステムの検証・検査（V&V）、デプロイメントの課題、保守、テスト、コード生成といった分野に焦点を当てたブレークアウトリーブグループを組織した。
• 全体会議と反復的ドラフト作成を通じて知見を統合し、継続的な協働を可能にするためにGitLabを活用したコミュニティ参加型のプロセスを採用した。
• 4つの優先研究課題を特定：基礎的SE4DL実践、故障モード分析、SE向けに特化したDLアーキテクチャ、教育教材開発。
• キーノートと専門家プレゼンテーションを用いて主要トピックを提示し、SEにおける新規DL応用に関する議論を促進した。
• コミュニティ主導の更新と貢献を可能にするため、GitLab上に「ライブドキュメント」を構築した。

実験結果

リサーチクエスチョン

• RQ1 従来のソフトウェア開発とディープラーニングベースの開発（SE4DL）との根本的差異は何か。また、新しい抽象化とワークフローを形式化するにはどうすればよいか？
• RQ2 ソフトウェア工学で使用されるディープラーニングシステムにおける最も一般的な故障モードは何か。それらを体系的に検出・緩和する方法は？
• RQ3 コード、コメント、イシュー報告書などの多様なソフトウェアアーティファクトから効果的に学習するためには、DLモデルをどのように設計すればよいか。特に、それらの構造的・意味的性質を尊重する必要がある。
• RQ4 既存の実証的ソフトウェア工学の知見をディープラーニングアプローチと統合することで、DL4SEの応用をどのように改善できるか？
• RQ5 DLに配慮したソフトウェア工学実践に対応するための教育カリキュラムをどのように開発・普及すればよいか？

主な発見

• ワークショップでは、4つの高優先度の研究課題を特定した：基礎的SE4DL実践、故障モード分析、SE向けに特化したDLアーキテクチャ、教育教材開発。
• SE4DLを支援するためには、従来のソフトウェア工学の実践と同様に、DL開発ワークフローと形式的抽象化の体系的分類が必要である。
• 特にセーフティクリティカルなSE文脈において、DLシステムの障害を自動的に検出・デバッグ・修復する技術の開発が急務である。
• DL4SE研究は、多様なソフトウェアアーティファクトから直交的表現を学習するモデルを設計することに焦点を当てるべきであり、構造的意味論を保持する必要がある。
• DLと既存の実証的SE知識を組み合わせ、マルチモーダルデータ（例：コード＋自然言語）を活用することで、新たなタスク自動化の可能性が著しく高まる。
• 学術界・産業界の連携は、現実のDLベースのソフトウェア開発の課題を反映した効果的な教育教材を開発するために不可欠である。