論文の概要: SIADAFIX: issue description response for adaptive program repair

• arxiv url: http://arxiv.org/abs/2510.16059v1
• Date: Fri, 17 Oct 2025 01:24:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.81559
• Title: SIADAFIX: issue description response for adaptive program repair
• Title（参考訳）: SIADAFIX:適応型プログラム修復のための課題記述応答
• Authors: Xin Cao, Nan Yu,
• Abstract要約: 本稿では,プログラム修復などの複雑なタスクにおいて,大規模言語モデルに基づくエージェントの能力を高めるために,高速かつ低速な思考を活用することを提案する。 特に,SIADAFIXと呼ばれる問題記述応答に基づく適応型プログラム修復手法を設計する。 提案手法はClaude-4 Sonnetモデルを用いて60.67%のpass@1性能を実現する。
• 参考スコア（独自算出の注目度）: 5.554716065564073
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose utilizing fast and slow thinking to enhance the capabilities of large language model-based agents on complex tasks such as program repair. In particular, we design an adaptive program repair method based on issue description response, called SIADAFIX. The proposed method utilizes slow thinking bug fix agent to complete complex program repair tasks, and employs fast thinking workflow decision components to optimize and classify issue descriptions, using issue description response results to guide the orchestration of bug fix agent workflows. SIADAFIX adaptively selects three repair modes, i.e., easy, middle and hard mode, based on problem complexity. It employs fast generalization for simple problems and test-time scaling techniques for complex problems. Experimental results on the SWE-bench Lite show that the proposed method achieves 60.67% pass@1 performance using the Claude-4 Sonnet model, reaching state-of-the-art levels among all open-source methods. SIADAFIX effectively balances repair efficiency and accuracy, providing new insights for automated program repair. Our code is available at https://github.com/liauto-siada/siada-cli.
• Abstract（参考訳）: 本稿では,プログラム修復などの複雑なタスクにおいて,大規模言語モデルに基づくエージェントの能力を高めるために,高速かつ低速な思考を活用することを提案する。 特に,SIADAFIXと呼ばれる問題記述応答に基づく適応型プログラム修復手法を設計する。 提案手法は,複雑なプログラム修復作業の完了にスローシンキングバグ修正エージェントを使用し,問題記述の最適化と分類に高速思考ワークフロー決定コンポーネントを用いて,問題記述結果を用いてバグ修正エージェントワークフローのオーケストレーションをガイドする。 SIADAFIXは、問題複雑性に基づいて3つの修復モード、すなわち簡単、中、ハードモードを適応的に選択する。 単純な問題に対する高速な一般化と、複雑な問題に対するテスト時間スケーリング技術を採用している。 SWE-bench Liteの実験結果から,提案手法はClaude-4 Sonnetモデルを用いて60.67%のパス@1性能を実現し,すべてのオープンソース手法の最先端レベルに達した。 SIADAFIXは、修復効率と精度を効果的にバランスさせ、プログラムの自動修復のための新しい洞察を提供する。 私たちのコードはhttps://github.com/liauto-siada/siada-cli.comで公開しています。

関連論文リスト

• SolverLLM: Leveraging Test-Time Scaling for Optimization Problem via LLM-Guided Search [58.116954449750544]
  多様な最適化問題を解決するために,テスト時間スケーリングを活用したトレーニング不要のフレームワークを導入する。 直接的に解くのではなく、数学的定式化を生成し、新しいモンテカルロ木探索戦略によって導かれる解法対応のコードに変換する。
  論文  参考訳（メタデータ） (2025-10-19T16:21:19Z)
• Repairing Regex Vulnerabilities via Localization-Guided Instructions [6.033257307910245]
  正規表現(regexes)は、正規表現拒否(ReDoS)にシステムを公開する しかし、現在のアプローチはトレードオフによって妨げられている。 信頼性を保ちながら一般化を活用するために設計されたハイブリッド・フレームワーク、ローカライズド・リフレクション(LRR)を導入する。
  論文  参考訳（メタデータ） (2025-10-10T06:15:43Z)
• RelRepair: Enhancing Automated Program Repair by Retrieving Relevant Code [11.74568238259256]
  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。
  論文  参考訳（メタデータ） (2025-09-20T14:07:28Z)
• 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)
• PATS: Process-Level Adaptive Thinking Mode Switching [53.53401063490537]
  現在の大言語モデル(LLM)は、通常、難易度に関わらず、すべての質問に対して、単純または複雑に固定された推論戦略を採用する。 このようなタスクと推論プロセスの複雑さの変化の無視は、パフォーマンスと効率のバランスを損なう。 既存の手法では, 難易度が異なる問題に対処するために, 学習不要な高速スロー思考システムを導入しようとするが, 厳密な解レベルの戦略調整によって制限される。 プロセスレベル適応思考モードスイッチング(PATS)という新しい推論パラダイムを提案し,各ステップの難易度に基づいてLLMが推論戦略を動的に調整し,そのバランスを最適化する。
  論文  参考訳（メタデータ） (2025-05-25T17:58:50Z)
• 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)
• Adaptive-Solver Framework for Dynamic Strategy Selection in Large Language Model Reasoning [31.643337118330944]
  大きな言語モデル(LLM)は、推論タスクを扱う素晴らしい能力を示している。 LLMベースのほとんどの手法はワンサイズ・オールアプローチを採用している。 これらの手法の柔軟性は不要な計算オーバーヘッドや準最適性能をもたらす可能性がある。
  論文  参考訳（メタデータ） (2023-10-01T12:28:36Z)
• Learning to Optimize Permutation Flow Shop Scheduling via Graph-based Imitation Learning [70.65666982566655]
  置換フローショップスケジューリング(PFSS)は製造業で広く使われている。 我々は,より安定かつ正確に収束を加速する専門家主導の模倣学習を通じてモデルを訓練することを提案する。 我々のモデルのネットワークパラメータはわずか37%に減少し、エキスパートソリューションに対する我々のモデルの解のギャップは平均6.8%から1.3%に減少する。
  論文  参考訳（メタデータ） (2022-10-31T09:46:26Z)

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。