論文の概要: RelRepair: Enhancing Automated Program Repair by Retrieving Relevant Code

• arxiv url: http://arxiv.org/abs/2509.16701v1
• Date: Sat, 20 Sep 2025 14:07:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 15:04:18.320216
• Title: RelRepair: Enhancing Automated Program Repair by Retrieving Relevant Code
• Title（参考訳）: RelRepair: 関連コードの検索による自動プログラム修復の強化
• Authors: Shunyu Liu, Guangdong Bai, Mark Utting, Guowei Yang,
• Abstract要約: RelRepairは関連するプロジェクト固有のコードを取得し、プログラムの自動修復を強化する。 広く研究されている2つのデータセット、Defects4J V1.2 と ManySStuBs4J について RelRepair の評価を行った。
• 参考スコア（独自算出の注目度）: 11.74568238259256
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated Program Repair (APR) has emerged as a promising paradigm for reducing debugging time and improving the overall efficiency of software development. Recent advances in Large Language Models (LLMs) have demonstrated their potential for automated bug fixing and other software engineering tasks. Nevertheless, the general-purpose nature of LLM pre-training means these models often lack the capacity to perform project-specific repairs, which require understanding of domain-specific identifiers, code structures, and contextual relationships within a particular codebase. As a result, LLMs may struggle to generate correct patches when the repair depends on project-specific information. To address this limitation, we introduce RelRepair, a novel approach that retrieves relevant project-specific code to enhance automated program repair. RelRepair first identifies relevant function signatures by analyzing function names and code comments within the project. It then conducts deeper code analysis to retrieve code snippets relevant to the repair context. The retrieved relevant information is then incorporated into the LLM's input prompt, guiding the model to generate more accurate and informed patches. We evaluate RelRepair on two widely studied datasets, Defects4J V1.2 and ManySStuBs4J, and compare its performance against several state-of-the-art LLM-based APR approaches. RelRepair successfully repairs 101 bugs in Defects4J V1.2. Furthermore, RelRepair achieves a 17.1\% improvement in the ManySStuBs4J dataset, increasing the overall fix rate to 48.3\%. These results highlight the importance of providing relevant project-specific information to LLMs, shedding light on effective strategies for leveraging LLMs in APR tasks.
• Abstract（参考訳）: 自動プログラム修復(APR)は、デバッグ時間を短縮し、ソフトウェア開発の全体的な効率を改善するための有望なパラダイムとして登場した。 大規模言語モデル(LLM)の最近の進歩は、自動バグ修正やその他のソフトウェアエンジニアリングタスクの可能性を示している。 にもかかわらず、LLM事前トレーニングの汎用的な性質は、これらのモデルに、ドメイン固有の識別子、コード構造、特定のコードベース内のコンテキスト関係の理解を必要とする、プロジェクト固有の修復を行う能力がないことを意味する。 結果として、LLMは、修理がプロジェクト固有の情報に依存する場合、正しいパッチを生成するのに苦労する可能性がある。 この制限に対処するために、我々はRelRepairを紹介します。これは、プロジェクト固有のコードを取得して、プログラムの自動修復を強化する新しいアプローチです。 RelRepairはまず、プロジェクト内の関数名とコードコメントを分析して、関連する関数シグネチャを識別する。 その後、修復コンテキストに関連するコードスニペットを取得するために、より深いコード解析を行う。 検索した関連情報はLSMの入力プロンプトに組み込まれ、より正確で情報のあるパッチを生成するためのモデルが導かれる。 我々は、Defects4J V1.2 と ManySStuBs4J の2つの広く研究されたデータセット上でRelRepairを評価し、その性能を最先端のLLMベースのAPRアプローチと比較した。 RelRepairはDefects4J V1.2の101のバグの修正に成功した。 さらに、RelRepair は ManySStuBs4J データセットの 17.1 % の改善を実現し、全体の修正率を 48.3 % に向上させた。 これらの結果は,プロジェクト固有の情報をALMに提供することの重要性を浮き彫りにして,ALMをAPRタスクに活用するための効果的な戦略に光を当てている。

関連論文リスト

• Do AI models help produce verified bug fixes? [62.985237003585674]
  大規模言語モデルは、ソフトウェアバグの修正に使用される。 本稿では,プログラマが大規模言語モデルを用いて,自身のスキルを補完する方法について検討する。 その結果は、プログラムバグに対する保証された修正を提供するAIとLLMの適切な役割への第一歩となる。
  論文  参考訳（メタデータ） (2025-07-21T17:30:16Z)
• Specification-Guided Repair of Arithmetic Errors in Dafny Programs using LLMs [79.74676890436174]
  本稿では,障害の局所化と修復のためのオラクルとして形式仕様を用いたDafny用のAPRツールを提案する。 プログラム内の各ステートメントの状態を決定するために、Hoareロジックの使用を含む一連のステップを通じて、障害をローカライズします。 また, GPT-4o miniが74.18%と高い修理成功率を示した。
  論文  参考訳（メタデータ） (2025-07-04T15:36:12Z)
• FastFixer: An Efficient and Effective Approach for Repairing Programming Assignments [21.848112758958543]
  本稿では,FastFixerを提案する。 まず,必要なパッチと関連するコンテキストを生成する方法を学ぶことへのLLMの関心を高めることを目的とした,修復指向のファインチューニング戦略を提案する。 修復効率を考慮すると、FastFixerは自動回帰復号アルゴリズムと比較して16.67倍の高速化を実現している。
  論文  参考訳（メタデータ） (2024-10-11T10:17:02Z)
• How Far Can We Go with Practical Function-Level Program Repair? [11.71750828464698]
  本稿では,少数ショット学習機構と補修関連情報が機能レベルAPRに及ぼす影響について検討する。 補修関連情報のパワーを活用するために,デュアルLLM フレームワークを採用した LLM ベースの関数レベル APR 手法,すなわち SRepair を提案する。
  論文  参考訳（メタデータ） (2024-04-19T12:14:09Z)
• Aligning the Objective of LLM-based Program Repair [14.935596175148586]
  本稿では,大規模言語モデル (LLM) をプログラム修復に適用するための新しいアプローチについて検討する。 我々の中核的な洞察は、LLMのAPR能力は、単にトレーニング目標に出力を合わせるだけで大幅に改善できるということです。 この知見に基づいて、我々はAPRの直接的なプロンプトフレームワークであるD4Cを設計した。
  論文  参考訳（メタデータ） (2024-04-13T02:36:40Z)
• A Novel Approach for Automatic Program Repair using Round-Trip Translation with Large Language Models [50.86686630756207]
  研究によると、ある文の文法的誤りは、それを他の言語に翻訳し、その語を返せば修正できる。 現在の自動プログラム修復(APR)生成モデルは、ソースコードで事前訓練され、修正のために微調整されている。 本稿では,あるプログラミング言語から別のプログラミング言語,あるいは自然言語へのコード変換,そして,その逆といった,微調整ステップをバイパスし,ラウンド・トリップ変換(RTT)を用いる手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T22:36:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。