論文の概要: Towards Human-interpretable Explanation in Code Clone Detection using LLM-based Post Hoc Explainer

• arxiv url: http://arxiv.org/abs/2509.22978v1
• Date: Fri, 26 Sep 2025 22:20:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 19:24:52.76369
• Title: Towards Human-interpretable Explanation in Code Clone Detection using LLM-based Post Hoc Explainer
• Title（参考訳）: LLMを用いたポストホック記述器を用いたコードクローン検出におけるヒューマン・解釈可能な説明に向けて
• Authors: Teeradaj Racharak, Chaiyong Ragkhitwetsagul, Chayanee Junplong, Akara Supratak,
• Abstract要約: 本稿では,MLベースのコードクローン検出器による予測を解明するために,大規模言語モデルの文脈内学習機能を活用する新しい手法を提案する。 我々のアプローチは、正しい説明を98%まで与え、良い説明を95%提供することで、ポストホックな説明者として有望です。
• 参考スコア（独自算出の注目度）: 0.6019777076722422
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Recent studies highlight various machine learning (ML)-based techniques for code clone detection, which can be integrated into developer tools such as static code analysis. With the advancements brought by ML in code understanding, ML-based code clone detectors could accurately identify and classify cloned pairs, especially semantic clones, but often operate as black boxes, providing little insight into the decision-making process. Post hoc explainers, on the other hand, aim to interpret and explain the predictions of these ML models after they are made, offering a way to understand the underlying mechanisms driving the model's decisions. However, current post hoc techniques require white-box access to the ML model or are computationally expensive, indicating a need for advanced post hoc explainers. In this paper, we propose a novel approach that leverages the in-context learning capabilities of large language models to elucidate the predictions made by the ML-based code clone detectors. We perform a study using ChatGPT-4 to explain the code clone results inferred by GraphCodeBERT. We found that our approach is promising as a post hoc explainer by giving the correct explanations up to 98% and offering good explanations 95% of the time. However, the explanations and the code line examples given by the LLM are useful in some cases. We also found that lowering the temperature to zero helps increase the accuracy of the explanation. Lastly, we list the insights that can lead to further improvements in future work. This study paves the way for future studies in using LLMs as a post hoc explainer for various software engineering tasks.
• Abstract（参考訳）: 近年の研究では,静的コード解析などの開発ツールに統合可能な,コードクローン検出のための機械学習(ML)ベースのテクニックが注目されている。 コード理解におけるMLの進歩により、MLベースのコードクローン検出器は、クローン化されたペア、特にセマンティッククローンを正確に識別し分類することができたが、しばしばブラックボックスとして機能し、意思決定プロセスに関する洞察はほとんど得られなかった。 一方ポストホックの説明者は、これらのMLモデルの作成後の予測を解釈し、説明することを目的としており、モデルの決定を導く基盤となるメカニズムを理解する方法を提供する。 しかし、現在のポストホック技術は、MLモデルへのホワイトボックスアクセスを必要とするか、計算コストが高く、高度なポストホック説明器の必要性を示している。 本稿では,MLベースのコードクローン検出器による予測を解明するために,大規模言語モデルの文脈内学習機能を活用する新しい手法を提案する。 我々はChatGPT-4を用いてGraphCodeBERTで推定されたコードクローン結果を説明する。 私たちは、正しい説明を98%、良い説明を95%提供することで、ポストホックな説明者としてのアプローチが有望であることに気付きました。 しかし、LLMが提示する説明やコードラインの例は、いくつかのケースで有用である。 また, 温度を0に下げることで, 説明の精度が向上することが判明した。 最後に、今後の作業のさらなる改善につながる可能性のある洞察をリストアップします。 本研究は,LLMを各種ソフトウェアエンジニアリングタスクのポストホック説明器として利用する際の今後の研究の道を開くものである。

関連論文リスト

• Zero-Shot Detection of LLM-Generated Code via Approximated Task Conditioning [8.571111167616165]
  LLM(Large Language Model)が生成するコードは、セキュリティ、知的財産権、学術的完全性に影響を及ぼす。 ゼロショットLLM生成符号検出における条件付き確率分布の役割について検討する。 与えられたコードスニペットを生成するのに使用される元のタスクを近似する新しいゼロショット検出手法を提案する。
  論文  参考訳（メタデータ） (2025-06-06T13:23:37Z)
• On Explaining (Large) Language Models For Code Using Global Code-Based Explanations [45.126233498200534]
  Language Models for Code (LLM4Code)は、ソフトウェア工学(SE)のランドスケープを大きく変えた。 我々は、厳密な数学的基盤を持つ手法であるコード論理(Code$Q$)を導入し、個々のコード予測を説明できるトークンのサブセットを特定する。 評価の結果、Code$Q$は意味のある入力概念(すなわち自然言語粒子)が出力生成にどのように影響するかを説明するための強力な解釈可能性法であることがわかった。
  論文  参考訳（メタデータ） (2025-03-21T01:00:45Z)
• LatentQA: Teaching LLMs to Decode Activations Into Natural Language [72.87064562349742]
  自然言語におけるモデルアクティベーションに関するオープンな疑問に答えるタスクであるLatentQAを紹介する。 本稿では,アクティベーションと関連する質問応答ペアのデータセット上で,デコーダLLMを微調整するLatent Interpretation Tuning (LIT)を提案する。 我々のデコーダはまた、ステレオタイプ付き文のモデルのデバイアス化や世代ごとの感情制御など、モデルを制御するために使用する差別化可能な損失も規定している。
  論文  参考訳（メタデータ） (2024-12-11T18:59:33Z)
• ML-Bench: Evaluating Large Language Models and Agents for Machine Learning Tasks on Repository-Level Code [76.84199699772903]
  ML-Benchは、既存のコードリポジトリを利用してタスクを実行する現実世界のプログラミングアプリケーションに根ざしたベンチマークである。 LLM(Large Language Model)とAIエージェントの両方を評価するために、事前に定義されたデプロイメント環境でLLMのテキスト-コード変換を評価するML-LLM-Benchと、Linuxサンドボックス環境でエンドツーエンドのタスク実行で自律エージェントをテストするML-Agent-Benchの2つの設定が採用されている。
  論文  参考訳（メタデータ） (2023-11-16T12:03:21Z)
• In-Context Explainers: Harnessing LLMs for Explaining Black Box Models [28.396104334980492]
  大規模言語モデル(LLM)は、機械翻訳、常識推論、言語理解といった複雑なタスクにおいて、例外的な機能を示している。 このような多様なタスクにおけるLLMの適応性の主要な理由の1つは、インコンテキスト学習(ICL)能力である。 本稿では,LLMのICL機能を利用して,他の予測モデルによる予測を説明する新しい3つの手法,In-Context Explainersを提案する。
  論文  参考訳（メタデータ） (2023-10-09T15:31:03Z)
• Evaluating and Explaining Large Language Models for Code Using Syntactic Structures [74.93762031957883]
  本稿では,コード用大規模言語モデルに特有の説明可能性手法であるASTxplainerを紹介する。 その中核にあるASTxplainerは、トークン予測をASTノードに整合させる自動メソッドを提供する。 私たちは、最も人気のあるGitHubプロジェクトのキュレートデータセットを使用して、コード用の12の人気のあるLLMに対して、実証的な評価を行います。
  論文  参考訳（メタデータ） (2023-08-07T18:50:57Z)
• Towards Understanding the Capability of Large Language Models on Code Clone Detection: A Survey [40.99060616674878]
  大規模言語モデル(LLM)は、様々なコード関連の知識を持ち、様々なソフトウェア工学の課題に対して汎用的である。 本稿では,クローン検出のためのLLMを包括的に評価し,異なるクローンタイプ,言語,プロンプトを網羅する。 従来の手法を超越した複雑な意味的クローンの検出において,高度なLCMが優れていることがわかった。
  論文  参考訳（メタデータ） (2023-08-02T14:56:01Z)
• Understanding Emergent In-Context Learning from a Kernel Regression Perspective [55.95455089638838]
  大規模言語モデル(LLM)は、伝達学習のパラダイムシフトを開始した。 本稿では,LLMのICLバハビエータの理解におけるカーネル-回帰的視点を提案する。 ICL中、LLMの注意と隠れた特徴は、カーネル回帰の挙動と一致していることがわかった。
  論文  参考訳（メタデータ） (2023-05-22T06:45:02Z)

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。