論文の概要: Automated Program Repair Based on REST API Specifications Using Large Language Models

• arxiv url: http://arxiv.org/abs/2510.25148v1
• Date: Wed, 29 Oct 2025 04:04:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:45.007104
• Title: Automated Program Repair Based on REST API Specifications Using Large Language Models
• Title（参考訳）: 大規模言語モデルを用いたREST API仕様に基づくプログラムの自動修復
• Authors: Katsuki Yamagishi, Norihiro Yoshida, Erina Makihara, Katsuro Inoue,
• Abstract要約: dcFixは、クライアントプログラムにおけるREST APIの誤用を検出し、自動的に修復する方法である。 評価の結果,dcFixは誤用を正確に検出し,ベースラインアプローチよりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 0.48414873775965206
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Many cloud services provide REST API accessible to client applications. However, developers often identify specification violations only during testing, as error messages typically lack the detail necessary for effective diagnosis. Consequently, debugging requires trial and error. This study proposes dcFix, a method for detecting and automatically repairing REST API misuses in client programs. In particular, dcFix identifies non-conforming code fragments, integrates them with the relevant API specifications into prompts, and leverages a Large Language Model (LLM) to produce the corrected code. Our evaluation demonstrates that dcFix accurately detects misuse and outperforms the baseline approach, in which prompts to the LLM omit any indication of code fragments non conforming to REST API specifications.
• Abstract（参考訳）: 多くのクラウドサービスは、クライアントアプリケーションにREST APIを提供する。 しかしながら、エラーメッセージは通常、効果的な診断に必要な詳細を欠いているため、開発者はテスト中にのみ仕様違反を特定することが多い。 その結果、デバッグには試行錯誤が必要になる。 本研究では,クライアントプログラムにおけるREST APIの誤用を検出し,自動的に修復する手法であるdcFixを提案する。 特に、dcFixは非コンフォーミングコードのフラグメントを特定し、関連するAPI仕様とそれらをプロンプトに統合し、大言語モデル(LLM)を活用して修正されたコードを生成する。 我々の評価は、dcFixが正確な誤用を検知し、ベースラインアプローチを上回り、LLMがREST API仕様に従わないコードフラグメントの表示を省略することを示す。

関連論文リスト

• 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)
• 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)
• A Framework for Testing and Adapting REST APIs as LLM Tools [11.757827071584737]
  大きな言語モデル(LLM)は、外部ツールで複雑なタスクを実行する自律エージェントを構築するために、ますます使われています。 現在のベンチマークではこれらの課題を見落としており、エージェント駆動自動化のためのAPI準備性の評価のギャップが残っている。 LLMエージェント用のPythonツールとしてラップされたエンタープライズAPIを体系的に評価するテストフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-22T02:52:08Z)
• AutoRestTest: A Tool for Automated REST API Testing Using LLMs and MARL [46.65963514391019]
  AutoRestTestは、Semantic Property Dependency Graph(SPDG)とMARL(Multi-Agent Reinforcement Learning)と大規模言語モデル(LLM)を統合して、効果的なREST APIテストを可能にする新しいツールである。
  論文  参考訳（メタデータ） (2025-01-15T05:54:33Z)
• LlamaRestTest: Effective REST API Testing with Small Language Models [50.058600784556816]
  LlamaRestTestは、2つのLLM(Large Language Models)を使って現実的なテストインプットを生成する新しいアプローチである。 私たちは、GPTを使った仕様強化ツールであるRESTGPTなど、最先端のREST APIテストツールに対して、これを評価しています。 私たちの研究は、REST APIテストにおいて、小さな言語モデルは、大きな言語モデルと同様に、あるいは、より良く機能することができることを示しています。
  論文  参考訳（メタデータ） (2025-01-15T05:51:20Z)
• A Multi-Agent Approach for REST API Testing with Semantic Graphs and LLM-Driven Inputs [46.65963514391019]
  私たちは、REST APIテストに依存性組み込みのマルチエージェントアプローチを採用する最初のブラックボックスツールであるAutoRestTestを紹介します。 このアプローチでは、REST APIテストを分離可能な問題として扱い、4人のエージェントがAPI探索を最適化するために協力します。 12の現実世界のRESTサービス上でのAutoRestTestの評価は、主要な4つのブラックボックスREST APIテストツールよりも優れています。
  論文  参考訳（メタデータ） (2024-11-11T16:20:27Z)

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。