論文の概要: Checkstyle+: Reducing Technical Debt Through The Use of Linters with LLMs
- arxiv url: http://arxiv.org/abs/2510.23068v1
- Date: Mon, 27 Oct 2025 07:08:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-28 15:28:15.482568
- Title: Checkstyle+: Reducing Technical Debt Through The Use of Linters with LLMs
- Title（参考訳）: Checkstyle+:LinterとLLMによる技術的負債削減
- Authors: Ella Dodor, Cristina V. Lopes,
- Abstract要約: We propose Checkstyle+, a hybrid approach that a checkstyle with large language model (LLM) capabilities。
Checkstyle+は380のJavaコードファイルのサンプルで評価され、30,800の現実世界のJavaプログラムのデータセットから抽出される。
その結果,Checkstyle+は,意味的ニュアンスルールの違反を検出する上で,標準のCheckstyleよりも優れた性能を発揮することがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Good code style improves program readability, maintainability, and collaboration, and is an integral component of software quality. Developers, however, often cut corners when following style rules, leading to the wide adoption of tools such as linters in professional software development projects. Traditional linters like Checkstyle operate using rigid, rule-based mechanisms that effectively detect many surface-level violations. However, in most programming languages, there is a subset of style rules that require a more nuanced understanding of code, and fall outside the scope of such static analysis. In this paper, we propose Checkstyle+, a hybrid approach that augments Checkstyle with large language model (LLM) capabilities, to identify style violations that elude the conventional rule-based analysis. Checkstyle+ is evaluated on a sample of 380 Java code files, drawn from a broader dataset of 30,800 real-world Java programs sourced from accepted Codeforces submissions. The results show that Checkstyle+ achieves superior performance over standard Checkstyle in detecting violations of the semantically nuanced rules.
- Abstract（参考訳）: 優れたコードスタイルは、プログラムの可読性、保守性、コラボレーションを改善します。
しかし、開発者はスタイルルールに従うとしばしば限界を断ち、プロのソフトウェア開発プロジェクトにおいてlinterのようなツールが広く採用されることになる。
Checkstyleのような従来のリンタは、多くの表面レベルの違反を効果的に検出する厳格なルールベースのメカニズムを使用して動作する。
しかし、ほとんどのプログラミング言語では、よりニュアンスなコード理解を必要とするスタイルルールのサブセットがあり、そのような静的解析の範囲外にあります。
本稿では,Checkstyle+を大規模言語モデル(LLM)機能で拡張するハイブリッド手法を提案する。
Checkstyle+は、380のJavaコードファイルのサンプルで評価されている。
その結果,Checkstyle+は,意味的ニュアンスルールの違反を検出する上で,標準のCheckstyleよりも優れた性能を発揮することがわかった。
関連論文リスト
- IFEvalCode: Controlled Code Generation [69.28317223249358]
本稿では,Code LLMの命令追従能力を改善するために,前方および後方制約生成を提案する。
IFEvalCodeは、7つのプログラミング言語の1.6Kテストサンプルからなる多言語ベンチマークである。
論文 参考訳（メタデータ） (2025-07-30T08:08:48Z) - Towards Exception Safety Code Generation with Intermediate Representation Agents Framework [54.03528377384397]
大規模言語モデル(LLM)は、しばしば生成されたコードの堅牢な例外処理に苦しむ。
中間表現(IR)アプローチにより,LLM生成コードの例外安全性を実現する新しいマルチエージェントフレームワークであるSeekerを提案する。
Seekerは例外処理をScanner, Detector, Predator, Ranker, Handlerの5つの特殊エージェントに分解する。
論文 参考訳（メタデータ） (2024-10-09T14:45:45Z) - Rewriting the Code: A Simple Method for Large Language Model Augmented Code Search [7.822427053078387]
Generation-Augmented Retrieval (GAR)フレームワークは、クエリを拡張するための例のコードスニペットを生成する。
本稿では、forスタイルの正規化内でコード(ReCo)を書き換える、シンプルで効果的な方法を提案する。
コードスタイル類似度(Code Style similarity)は、コード内のスタイリスティック類似度を定量化するための最初のメートル法である。
論文 参考訳（メタデータ） (2024-01-09T12:12:50Z) - Zero-Shot Detection of Machine-Generated Codes [83.0342513054389]
本研究は,LLMの生成したコードを検出するためのトレーニング不要な手法を提案する。
既存のトレーニングベースまたはゼロショットテキスト検出装置は、コード検出に効果がないことがわかった。
本手法は,リビジョン攻撃に対する堅牢性を示し,Javaコードによく適応する。
論文 参考訳（メタデータ） (2023-10-08T10:08:21Z) - FLAG: Finding Line Anomalies (in code) with Generative AI [18.612900041820875]
FLAGは、生成AIの語彙能力、特にLarge Language Models(LLM)に基づいている。
C、Python、Verilogで121のベンチマークを使用します。
FLAGは101の欠陥を識別でき、検索スペースを12-17%に削減できる。
論文 参考訳（メタデータ） (2023-06-22T03:04:56Z) - CLAWSAT: Towards Both Robust and Accurate Code Models [74.57590254102311]
比較学習(CL)と逆学習を統合して、コードモデルの堅牢性と精度を協調的に最適化する。
私たちの知る限りでは、これはコードモデルにおける(マルチビュー)コードの難読化の堅牢性と正確性について調査し、活用する最初の体系的な研究です。
論文 参考訳（メタデータ） (2022-11-21T18:32:50Z)
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。